知识图谱与图神经网络相遇：全面综述

# 知识图谱与图神经网络相遇：综合性综述 来源：https://arxiv.org/html/2607.09666 孙成程 0000-0002-0995-9985 (https://orcid.org/0000-0002-0995-9985) 中国矿业大学 安全工程学院 徐州 江苏 中国 [email protected] (https://arxiv.org/html/2607.09666v1/mailto:[email protected]) 田嘉云 0009-0005-4716-9449 (https://orcid.org/0009-0005-4716-9449) 中国矿业大学 计算机科学与技术学院 徐州 江苏 中国 [email protected] (https://arxiv.org/html/2607.09666v1/mailto:[email protected]), 翟成 0000-0001-9256-1494 (https://orcid.org/0000-0001-9256-1494) 煤矿灾害防控全国重点实验室，中国矿业大学 徐州 江苏 中国 [email protected] (https://arxiv.org/html/2607.09666v1/mailto:[email protected]), 王志晓 0000-0002-4256-1477 (https://orcid.org/0000-0002-4256-1477) 中国矿业大学 计算机科学与技术学院 徐州 江苏 中国 [email protected] (https://arxiv.org/html/2607.09666v1/mailto:[email protected]), 宋雅洁 0009-0009-6265-9939 (https://orcid.org/0009-0009-6265-9939) 中国矿业大学 计算机科学与技术学院 徐州 江苏 中国 [email protected] (https://arxiv.org/html/2607.09666v1/mailto:[email protected]), 芮晓彬 0000-0003-0951-1512 (https://orcid.org/0000-0003-0951-1512) 中国矿业大学 计算机科学与技术学院 徐州 江苏 中国 [email protected] (https://arxiv.org/html/2607.09666v1/mailto:[email protected]), 张健 0000-0003-4995-6495 (https://orcid.org/0000-0003-4995-6495) 中国矿业大学 计算机科学与技术学院 徐州 江苏 中国 [email protected] (https://arxiv.org/html/2607.09666v1/mailto:[email protected]) 和 Philip S. Yu 0000-0002-3491-5968 (https://orcid.org/0000-0002-3491-5968) 伊利诺伊大学芝加哥分校 计算机科学系 芝加哥 伊利诺伊州 美国 [email protected] (https://arxiv.org/html/2607.09666v1/mailto:[email protected]) ###### 摘要。摘要：图神经网络（GNNs）因其对图结构数据的固有建模能力，已成为知识图谱（KGs）领域的重要范式。然而，目前仍缺乏关于基于GNN的方法论在整个知识图谱技术管道中的系统性综述。为填补这一空白，我们首先提出一个新颖的两级分类框架，用于基于GNN的知识图谱技术：知识图谱技术管道和基于GNN的视角。具体而言，知识图谱技术管道涵盖知识图谱构建、知识图谱嵌入、知识推理和知识图谱应用。同时，基于GNN的视角提供了一种利用GNN模型（如GCN、GAT和HGNN）对知识图谱技术进行新分类的方法。接着，我们基于知识图谱生命周期中不同任务的特点，分析了GNN技术的优势。此外，我们按照所提出的分类框架，详细综述了各种基于GNN的知识图谱模型，并总结了其优缺点。最后，我们讨论了尚未解决的挑战，并勾勒出未来研究的有前景方向。知识图谱，图神经网络，知识图谱构建，知识图谱嵌入，知识推理 ††ccs:计算方法论 人工智能 知识表示与推理 ## 1. 引言 知识是人类认知和解决问题的基础，承载着信息的积累和智慧的传承。知识表示与推理的研究旨在为智能系统提供表达知识的方法，使其能够有效处理复杂任务[1](https://arxiv.org/html/2607.09666#bib.bib1)。作为知识工程中的一项重要实践，知识图谱构建语义知识网络，解决了传统知识存储和利用的局限性，同时充当信息与智能之间的重要桥梁。知识图谱不仅在理论研究中具有重要意义，在实际应用中也展现出巨大潜力。它们是推动人工智能发展和知识型社会进步的关键驱动力。 参见图注知识图谱综述发展时间线。 图 1. 知识图谱综述发展时间线。 作为一种重要的知识表示形式，知识图谱已成为学术界和工业界的一个显著研究趋势[2](https://arxiv.org/html/2607.09666#bib.bib2)。如图1(https://arxiv.org/html/2607.09666#S1.F1)所示，我们整理了从2016年至今知识图谱综述研究的发展轨迹。自知识图谱提出以来，聚焦于知识图谱构建过程的研究综述一直是学术界关注的重点领域[3](https://arxiv.org/html/2607.09666#bib.bib3), [4](https://arxiv.org/html/2607.09666#bib.bib4), [5](https://arxiv.org/html/2607.09666#bib.bib5), [6](https://arxiv.org/html/2607.09666#bib.bib6), [7](https://arxiv.org/html/2607.09666#bib.bib7), [8](https://arxiv.org/html/2607.09666#bib.bib8)。Hogan等人[9](https://arxiv.org/html/2607.09666#bib.bib9)、Ji等人[10](https://arxiv.org/html/2607.09666#bib.bib10)和Zhong等人[11](https://arxiv.org/html/2607.09666#bib.bib11)从不同视角和技术层面系统总结了知识图谱构建的最新研究进展。随着研究的深入，知识图谱的相关领域不断扩展。知识补全[12](https://arxiv.org/html/2607.09666#bib.bib12)、知识推理[13](https://arxiv.org/html/2607.09666#bib.bib13)和知识表示[14](https://arxiv.org/html/2607.09666#bib.bib14)等课题逐渐成为重要研究方向。近年来，尤其是在人工智能和机器学习融合的背景下，知识图谱的应用取得了显著进展。知识图谱在智能问答[15](https://arxiv.org/html/2607.09666#bib.bib15), [16](https://arxiv.org/html/2607.09666#bib.bib16)、个性化推荐系统[17](https://arxiv.org/html/2607.09666#bib.bib17), [18](https://arxiv.org/html/2607.09666#bib.bib18)和自然语言理解[19](https://arxiv.org/html/2607.09666#bib.bib19), [20](https://arxiv.org/html/2607.09666#bib.bib20), [21](https://arxiv.org/html/2607.09666#bib.bib21)等应用中的使用日益广泛。此外，知识图谱在智慧医疗[22](https://arxiv.org/html/2607.09666#bib.bib22), [23](https://arxiv.org/html/2607.09666#bib.bib23)、教育[24](https://arxiv.org/html/2607.09666#bib.bib24)和新闻[25](https://arxiv.org/html/2607.09666#bib.bib25), [26](https://arxiv.org/html/2607.09666#bib.bib26)等行业中也展现出重要价值。然而，知识图谱的发展也面临若干技术挑战，例如可扩展性和知识不完整性[27](https://arxiv.org/html/2607.09666#bib.bib27), [28](https://arxiv.org/html/2607.09666#bib.bib28)。知识图谱本质上是一种图结构，其中节点表示实体，边表示实体之间的关系[29](https://arxiv.org/html/2607.09666#bib.bib29)。GNNs由于其内在的图结构数据建模能力，在应对知识图谱中的这些挑战方面展现出巨大潜力。通过消息传递机制传播和聚合邻居信息，GNNs能够有效捕捉节点和边的高阶拓扑模式[30](https://arxiv.org/html/2607.09666#bib.bib30)，从而增强实体和关系在多维嵌入空间中的潜在表示。特别是，GNNs能够自动从大量图结构数据中发现潜在的规律和模式，优化实体对齐[31](https://arxiv.org/html/2607.09666#bib.bib31)和关系抽取[32](https://arxiv.org/html/2607.09666#bib.bib32)等关键任务。在应用层面，GNN架构通过其保留图上下文的能力，实现了高级语义推理。最近的研究证明了它们在知识推理[33](https://arxiv.org/html/2607.09666#bib.bib33)、知识图谱问答（KGQA）[16](https://arxiv.org/html/2607.09666#bib.bib16)和推荐系统[34](https://arxiv.org/html/2607.09666#bib.bib34)中的有效性。因此，深入分析GNNs与知识图谱结合的益处，对于推动知识图谱技术的发展及其广泛应用至关重要。一些学者也对GNNs与知识图谱的融合进行了研究[35](https://arxiv.org/html/2607.09666#bib.bib35), [36](https://arxiv.org/html/2607.09666#bib.bib36), [37](https://arxiv.org/html/2607.09666#bib.bib37)。他们指出，GNNs在深度学习方面的优势有助于提升知识图谱的数据表示和推理能力。然而，这些研究侧重于知识图谱中特定任务与GNNs的融合。目前仍缺乏关于基于GNN的方法论在整个知识图谱技术管道中的系统性综述。据我们所知，先前的综述论文[38](https://arxiv.org/html/2607.09666#bib.bib38), [39](https://arxiv.org/html/2607.09666#bib.bib39), [40](https://arxiv.org/html/2607.09666#bib.bib40), [41](https://arxiv.org/html/2607.09666#bib.bib41)主要关注通用的知识图谱问题或GNN技术。然而，它们没有对基于GNN的方法论在整个知识图谱技术管道中进行全面系统的分析。为了更深入地理解GNN在知识图谱技术中的作用和潜力，本文提出一个新颖的两级分类框架：知识图谱技术管道和GNN视角。一方面，我们讨论贯穿知识图谱生命周期的知识图谱技术：知识图谱构建、知识表示、知识推理和应用。另一方面，我们系统研究了大量基于GNN的最新图学习方法，重点关注它们在上述KG任务中的部署。更具体地说，我们探究了研究人员如何针对具有不同语义特征的任务，定制图结构和GNN架构，以有效捕捉知识内部固有的语义模式，例如图神经网络（GCN）、图注意力网络（GAT）和超图神经网络（HGNN）。最后，我们讨论了尚未解决的挑战，并勾勒出未来研究的有前景方向。本文的主要贡献如下： - •图神经网络视角：从GNN的新颖视角对知识图谱进行了综述，突出了将GNN与KG技术集成的最新进展和方法。 - •新颖的两级分类：本文为知识图谱提出了一个新颖的两级分类框架：知识图谱技术管道和GNN视角。 - •全面综述：本文对贯穿知识图谱生命周期的知识图谱技术进行了全面综述，包括知识图谱构建、知识图谱嵌入、知识推理和知识图谱应用。 - •未解决的问题与未来方向：本文还从数据、方法和应用三个方面提出了知识图谱技术的未解决问题与挑战，为该领域未来研究方向的发展提供了见解。 本综述的其余部分组织如下。第2节(https://arxiv.org/html/2607.09666#S2)介绍了知识图谱和GNNs的预备知识与符号。第3节(https://arxiv.org/html/2607.09666#S3)从知识图谱构建管道和GNN视角提供了一个两级分类框架。第4节(https://arxiv.org/html/2607.09666#S4)给出了知识图谱构建技术的概述。第5节(https://arxiv.org/html/2607.09666#S5)、第6节(https://arxiv.org/html/2607.09666#S6)和第7节(https://arxiv.org/html/2607.09666#S7)分别概述了知识表示、知识推理和知识图谱的应用。我们在第8节(https://arxiv.org/html/2607.09666#S8)提出了有前景的未来研究方向，而第9节(https://arxiv.org/html/2607.09666#S9)对本文进行总结。 ## 2. 预备知识与符号 ### 2.1. 知识图谱与技术管道 知识图谱是一种基于图结构的知识表示方法[42](https://arxiv.org/html/2607.09666#bib.bib42)，其中实体（如人物、地点、事件等）及其关系通过节点和边进行组织和表示[43](https://arxiv.org/html/2607.09666#bib.bib43)。每个节点表示一个实体，边表示实体之间的各种语义关系。知识图谱可以形式化地定义为三元组形式，即 G=(E1,R,E2)，其中 E1 是头实体，E2 是尾实体，R 表示两个实体之间的关系。 参见图注知识图谱技术管道。 图 2. 知识图谱技术管道。 目前，已涌现出大量知识图谱，其中具有代表性的包括 OpenKN[44](https://arxiv.org/html/2607.09666#bib.bib44)、CN-Dbpedia[45](https://arxiv.org/html/2607.09666#bib.bib45)、DBpedia[46](https://arxiv.org/html/2607.09666#bib.bib46)、Freebase[47](https://arxiv.org/html/2607.09666#bib.bib47)、NELL[48](https://arxiv.org/html/2607.09666#bib.bib48)、YAGO[49](https://arxiv.org/html/2607.09666#bib.bib49) 等。除了开放域知识图谱的广泛发展外，近年来许多领域特定的知识图谱[50](https://arxiv.org/html/2607.09666#bib.bib50), [51](https://arxiv.org/html/2607.09666#bib.bib51), [52](https://arxiv.org/html/2607.09666#bib.bib52), [53](https://arxiv.org/html/2607.09666#bib.bib53), [54](https://arxiv.org/html/2607.09666#bib.bib54) 也被提出并逐步构建。图2(https://arxiv.org/html/2607.09666#S2.F2) 展示了知识图谱技术的管道。工作流程从数据源的实体抽取、关系抽取和联合抽取开始。随后，通过知识合并、实体对齐和消歧，将来自不同来源的知识进行集成。接下来是知识管理阶段，包括知识更新、推理、质量评估和本体构建，以确保准确性和时效性。处理后的知识以三元组形式存储在图数据库中，支持推荐系统、智能问答等下游应用。值得注意的是，知识图谱嵌入在知识图谱技术中的多个步骤中发挥着关键作用。 ### 2.2. 图神经网络 GNNs 的核心思想是通过节点与其邻域关系之间的交互来传播和学习信息[55](https://arxiv.org/html/2607.09666#bib.bib55), [56](https://arxiv.org/html/2607.09666#bib.bib56)。根据聚合机制的不同，GNNs 可以分为以下几种类型：