Back openDesk Edu for a sovereign, open-source education â every vote counts.
Vote nowSave products you love by clicking the heart icon.
Datenquelle: graph-research corpus (17.553 Paper, 100 % Taxonomie-SÀttigung) · Erstellt: 06.08.2026
Der ISO GQL-Standard â der erste internationale Standard fĂŒr Property-Graph-Abfragen â hat einen Forschungsboom ausgelöst, wie es ihn im Graph-Bereich zuvor nicht gab. Diese Analyse von 309 Papern in der Taxonomie-Kategorie graph-query-languages zeigt, dass sich das Feld im Jahr 2026 verdoppelt hat: 119 Paper in den ersten acht Monaten und ein year-over-year Wachstum von +235,7 % (141 Paper in den letzten 12 Monaten gegenĂŒber 42 in den vorangegangenen 12). Wir unterteilen diesen Anstieg in vier ForschungsstrĂ€nge: (1) formale Theorie, die den Standard aufholt, (2) eine Welle von Natural-Language-to-GQL (NL2GQL) Tooling mit öffentlichen Benchmarks, (3) Engine-, Pfad- und Schema-Infrastruktur sowie (4) die Nutzung von GQL als Primitiv fĂŒr angrenzende Probleme wie ontologiegestĂŒtzte Abfragen und Cyber-Provenienzanalysen. Wir kartieren die Autoren-Community (dominiert von einer kleinen, nah am Komitee stehenden Gruppe sowie einem in China ansĂ€ssigen NL2GQL-Cluster) und identifizieren die deutlichste ForschungslĂŒcke: nur 8 Review-/Survey-Paper gegenĂŒber insgesamt 309 â die gröĂte redaktionelle und wissenschaftliche LĂŒcke im gesamten Corpus.
Zwei Jahrzehnte lang war die Graph-Abfrage fragmentiert: Cypher, SPARQL, Gremlin, PGQL, GSQL und proprietĂ€re Dialekte hielten jeweils einen Teil des Marktes. Der ISO/IEC 39075:2024 GQL Standard hat die Ausgangslage verĂ€ndert â ein einziger internationaler Standard fĂŒr Property Graphs, mit SQL/PGQ als relationalem Pendant. Der Corpus offenbart, dass die Forschungsgemeinschaft nun voll eingestiegen ist: Sie evaluiert nicht nur den Standard, sondern analysiert dessen Semantik, entwickelt Tooling darauf auf und nutzt ihn als Substrat fĂŒr andere Problemstellungen.
Dieser Bericht ist eine datengestĂŒtzte Analyse dieses Booms: was veröffentlicht wird, in welchen Aspekten, von wem und wo die LĂŒcken liegen.
Corpus. Die Analyse nutzt den graph-research corpus (17.553 Paper, 100 % der 160 Taxonomie-Zellen gefĂŒllt, Zeitraum 2021â2026). Die Paper werden automatisch in eine 20Ă8 Taxonomie klassifiziert (20 Kategorien Ă 8 Aspekte: Theorie, Mechanismus, Methode, Anwendung, Entwicklung, Systeme, Evaluation, Review).
Auswahl. Die Kernpopulation ist die Kategorie graph-query-languages (309 Paper). Ein sekundĂ€rer Scan sucht nach expliziten Standard-Nennungen: âGQLâ (37 Paper), âCypherâ (84), âSPARQLâ (192). Alle Zahlen wurden aus Titeln und Abstracts abgeleitet.
Metriken. Wir berechnen (a) das year-over-year Wachstum aus zwei nicht ĂŒberlappenden 12-Monats-Fenstern, (b) Trajektorien auf Aspekt-Ebene, (c) Keyword-Kookkurrenzen sowie (d) die Verteilung von Autoren und Publikationsorten. Das Wachstum wird gefenstert, um Verzerrungen durch unvollstĂ€ndige Jahre zu vermeiden.
| Jahr | Paper der Kategorie | Î YoY |
|---|---|---|
| 2021 | 8 | â |
| 2022 | 44 | +450 % |
| 2023 | 39 | â11 % |
| 2024 | 49 | +26 % |
| 2025 | 50 | +2 % |
| 2026 (8 Mo) | 119 | +238 % Run-Rate |
Die letzten 12 Monate steuerten 141 Paper bei, gegenĂŒber 42 in den vorangegangenen 12 Monaten â eine Wachstumsrate von +235,7 %, die Graph-Abfragesprachen zur am schnellsten wachsenden Kategorie im gesamten Corpus macht (noch vor GraphRAG mit +130 %, Graph-Datenbanken mit +149 % und Ontologien mit +133 %).
Der Aspekt-Mix von 2026 verdeutlicht die Natur des Booms:
| Aspekt | 2026 Paper | Anteil |
|---|---|---|
| Anwendung | 31 | 26 % |
| Methode | 28 | 24 % |
| Systeme | 23 | 19 % |
| Theorie | 11 | 9 % |
| Mechanismus | 10 | 8 % |
| Evaluation | 9 | 8 % |
| Review | 4 | 3 % |
| Entwicklung | 3 | 3 % |
Zwei Drittel der Publikationen von 2026 entfallen auf Anwendung + Methode + Systeme â das Feld hat die Phase des âWas ist GQL?â hinter sich gelassen und ist ĂŒbergegangen zu ânutzen, optimieren, automatisierenâ.
Der Zeitraum 2024â2026 schlieĂt die LĂŒcke, die in der eigenen EinschĂ€tzung der Standard-Community markiert wurde: âDie schnelle industrielle Entwicklung lieĂ die akademische Gemeinschaft zurĂŒckfallen.â Zentrale Ergebnisse:
Das gröĂte aktuelle Cluster fĂŒr Anwendungen/Methoden ist Natural-Language-to-GQL:
Implikation: Property Graphs werden zunehmend in natĂŒrlicher Sprache abgefragt, und das Tooling wird nun anhand von Benchmarks bewertet.
GQL wird ĂŒber Graph-Datenbanken hinaus eingesetzt:
Die Autorenverteilung der Kategorie ist konzentriert:
| Autor | Paper |
|---|---|
| Mahmoud Abo Khamis | 5 |
| Diego Figueira | 5 |
| Makbule Gulcin Ozsoy | 3 |
| Lukas Arzoumanidis | 3 |
| Subhasis Dasgupta | 3 |
| Ahmet Kara | 3 |
| Yutong Ye | 3 |
| RĂ©mi Morvan | 3 |
Innerhalb der expliziten GQL-Paper dominiert das Theorie-Cluster (Angela Bonifati, Renzo Angles, Nadime Francis, Wim Martens, AmĂ©lie Gheerbrant, Leonid Libkin, Liat Peterfreund), zusammen mit einem in China ansĂ€ssigen NL2GQL-Cluster (Yuanyuan Liang, Tingyu Xie). Das Feld wird von einer kleinen Anzahl von Gruppen vorangetrieben â was eine Chance darstellt: Die meisten Praktiker haben noch kein mentales Modell von GQL.
Die Kategorie besteht zu 55 % aus arXiv-Publikationen (169/309), was sowohl die theorielastige Preprint-Kultur als auch die Pipeline von Konferenzen zu Preprints in der Datenbank-Community widerspiegelt.
Das deutlichste Signal ist die Review-LĂŒcke:
| Aspekt | Paper |
|---|---|
| Review | 8 |
| Entwicklung | 14 |
| Mechanismus | 25 |
| Evaluation | 28 |
| Nur 8 Review-/Survey-Paper gegenĂŒber insgesamt 309 â bisher hat niemand den definitiven Practitioner-Survey zum âState of GQLâ geschrieben. Dies ist die ausgeprĂ€gteste ForschungslĂŒcke (White-Space Cell) in dieser Kategorie und eine der signifikantesten im gesamten Korpus. |
SekundĂ€re LĂŒcken:
Vorgeschlagene Roadmap: (kurzfristig) Practitioner-Survey + Analyse zum Compositionality Engineering; (mittelfristig) Performance-Benchmarks fĂŒr Dialekte, NL2GQL-Robustheit bei adversarialen/ambigen Queries; (langfristig) GQL als einheitliches Substrat fĂŒr ontologie-gestĂŒtzte und Provenienz-Abfragen.
GQL ist nicht bloĂ eine Randnotiz in der Datenbank-Spezifikation. Es ist das Forschungsthema mit der höchsten Dynamik im Korpus des Jahres 2026: ein reifer Standard, eine Theorie-Community, die den Anschluss gefunden hat, eine NL2GQL-Tooling-Welle mit öffentlichen Benchmarks sowie nachweisbare Anwendungen in der Sicherheit und bei ontologie-gestĂŒtzten Abfragen. Die eigenen LĂŒcken des Fachbereichs â ein fehlender Survey, ununtersuchte Auswirkungen der KompositionalitĂ€t und die agentische Konvergenz â bieten ungewöhnlich starke Chancen fĂŒr Forscher und Praktiker gleichermaĂen.
Diese Analyse wurde auf Basis des Graph-Research-Korpus (github.com/tobias-weiss-ai-xr/graph-research) erstellt: 17.553 Paper, 100 % Taxonomie-SĂ€ttigung, 2021â2026. Die vollstĂ€ndige Methodik und die Rohstatistiken sind in statistics.json und der Kategorie graph-query-languages verfĂŒgbar.