グラフニューラルネットワーク（GNN）は、グラフ構造データをモデル化する固有の能力により、ナレッジグラフ（KG）の分野で強力なパラダイムとして急速に台頭しています。しかし、ナレッジグラフ技術のパイプライン全体におけるGNNベースの方法論について、体系的にレビューした研究は不足していました。この課題に対応するため、本論文ではGNNベースのナレッジグラフ技術のための新しい二段階の分類フレームワークを提案しています。 このフレームワークは、ナレッジグラフ技術パイプラインとGNNベースの観点という二つの視点から構成されています。ナレッジグラフ技術パイプラインには、ナレッジグラフの構築、埋め込み、推論、そしてアプリケーションが含まれます。一方、GNNベースの視点ではGCN、GAT、HGNNなどの様々なGNNモデルによる新しい分類を提供しています。 研究者らはナレッジグラフのライフサイクル内における異なるタスクの特性に基づいて、GNN技術の利点を分析しています。さらに提案された分類法に従いながら、ナレッジグラフ向けの様々なGNNベースモデルについて詳細にレビューし、それぞれの強みと限界を要約しています。 本研究は、この分野における未解決の課題を議論し、今後の研究への有望な方向性を示唆しています。GNNとナレッジグラフの統合は、より効率的な知識表現とより正確な推論を実現する可能性を持つ、AI分野における重要な研究領域として位置づけられています。