Datenquelle: graph-research corpus (26.496 Paper, 88,5 % Taxonomie-Sättigung) · Erstellt: 04.09.2026 · Erstausgabe: 06.08.2026
Der ISO GQL-Standard — der erste internationale Standard für Property-Graph-Abfragen — hat einen Forschungsboom ausgelöst, wie es ihn im Graph-Bereich zuvor nicht gab. Diese Analyse von 584 Papern in der Taxonomie-Kategorie graph-query-languages zeigt, dass sich das Feld 2026 weiter beschleunigt: 243 Paper in den ersten acht Monaten allein und ein year-over-year Wachstum von +154,4 % (290 Paper in den letzten 12 Monaten gegenüber 114 in den vorangegangenen 12) — weiterhin die am schnellsten wachsende Kategorie im gesamten Corpus von 26.496 Papern. Wir unterteilen diesen Anstieg in vier Forschungsstränge: (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 für angrenzende Probleme wie ontologiegestützte Abfragen und Cyber-Provenienzanalysen. Wir kartieren die Autoren-Community (dominiert von einer kleinen, nah am Komitee stehenden Gruppe sowie einem in China ansässigen NL2GQL-Cluster) und untersuchen die Forschungslücken: nur 15 Review-/Survey-Paper gegenüber insgesamt 584 — die kleinste Zelle der Kategorie, wobei ein hierarchischer Bayes-Gegencheck zeigt, dass sie exakt dem corpusweiten Muster junger Felder entspricht; das tatsächlich fehlende Artefakt ist der Practitioner-Survey, und der auffällige Überschuss des Feldes liegt bei benchmarkbasierten Evaluationsarbeiten.
Zwei Jahrzehnte lang war die Graph-Abfrage fragmentiert: Cypher, SPARQL, Gremlin, PGQL, GSQL und proprietäre Dialekte hielten jeweils einen Teil des Marktes. Der ISO/IEC 39075:2024 GQL Standard hat die Ausgangslage verändert — ein einziger internationaler Standard für 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 für andere Problemstellungen.
Dieser Bericht ist eine datengestützte Analyse dieses Booms: was veröffentlicht wird, in welchen Aspekten, von wem und wo die Lücken liegen.
Corpus. Die Analyse nutzt den graph-research corpus (26.496 Paper, 177 von 200 Taxonomie-Zellen gefüllt = 88,5 % Sättigung, Zeitraum 2011–2026). Die Paper werden automatisch in eine 20×10 Taxonomie klassifiziert (20 Kategorien × 10 Subkategorien: Theorie, Mechanismus, Methode, Anwendung, Entwicklung, Systeme, Evaluation, Review, Survey, Experiment).
Was sich seit der August-Ausgabe geändert hat. Zwischen dem 06.08. und dem 04.09.2026 ist der Corpus von 17.553 auf 26.496 Paper (+51 %) gewachsen — durch einen vollständigen Re-Fetch der Sechs-Host-Fleet (arXiv + OpenAlex, 36-Monats-Fenster, dedupliziert). Die Kategorie ist von 309 auf 584 Paper gestiegen. Der Re-Fetch hat die Kategorie-Definition auch verbreitert: Keyword-nahe Publikationen (Ontologie-Engineering, Semantic-Web-Tooling, RDF-Benchmarks) machen nun rund die Hälfte der Kategorie aus. Wir berichten daher durchgehend die offiziellen Pipeline-Zahlen, ergänzt um einen GQL-Core-Gegencheck (286 Paper, deren Titel/Abstract sowohl einen Graph- als auch einen Query-Begriff enthalten): Dessen Trajektorie fällt deutlich langsamer, aber immer noch steil aus — +98,4 % YoY (125 gegenüber 63), 97 Core-Paper in 2026. Betrachten Sie 584 als obere und 286 als untere Grenze der Kategorie.
Auswahl. Die Kernpopulation ist die Kategorie graph-query-languages (584 Paper). Ein sekundärer Scan sucht innerhalb der Kategorie nach expliziten Standard-Nennungen (Titel + Abstract, Wortgrenzen-Match): „GQL“ (16 Paper), „Cypher“ (37), „SPARQL“ (231). Alle Zahlen wurden aus Titeln und Abstracts abgeleitet.
Metriken. Wir berechnen (a) das year-over-year Wachstum aus zwei nicht überlappenden 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 unvollständige Jahre zu vermeiden.
| Jahr | Paper der Kategorie | Δ YoY |
|---|---|---|
| 2021 | 8 | — |
| 2022 | 46 | +475 % |
| 2023 | 47 | +2 % |
| 2024 | 97 | +106 % |
| 2025 | 131 | +35 % |
| 2026 (8 Mo) | 243 | +178 % Run-Rate |
Die letzten 12 Monate (Sep 2025 – Aug 2026) steuerten 290 Paper bei, gegenüber 114 in den vorangegangenen 12 Monaten — eine Wachstumsrate von +154,4 %, die Graph-Abfragesprachen zur am schnellsten wachsenden Kategorie im gesamten Corpus macht (noch vor GraphRAG mit +86,3 %, Graph-Analytics mit +84,7 % sowie Ontologien und Graph-Datenbanken mit jeweils +63,8 %).
Der Aspekt-Mix von 2026 verdeutlicht die Natur des Booms:
| Aspekt | 2026 Paper | Anteil |
|---|---|---|
| Methode | 84 | 35 % |
| Anwendung | 38 | 16 % |
| Evaluation | 34 | 14 % |
| Theorie | 34 | 14 % |
| Systeme | 30 | 12 % |
| Mechanismus | 13 | 5 % |
| Review | 7 | 3 % |
| Entwicklung | 3 | 1 % |
Die Methode führt nun mit deutlichem Abstand — die Energie des Feldes hat sich von „Was ist GQL?“ hin zu „automatisiere dagegen“ verschoben: NL2GQL-Generierung, Übersetzungsmethoden und Benchmark-Paper dominieren die Ausgabe von 2026, begleitet von einer soliden Evaluationsstufe (34 Paper, nach 9 in der August-Ausgabe), die sie benotet.
Der Zeitraum 2024–2026 schließt die Lücke, die in der eigenen Einschätzung der Standard-Community markiert wurde: „Die schnelle industrielle Entwicklung ließ die akademische Gemeinschaft zurückfallen.“ Zentrale Ergebnisse:
Das größte aktuelle Cluster für Anwendungen/Methoden ist Natural-Language-to-GQL:
Implikation: Property Graphs werden zunehmend in natürlicher Sprache abgefragt, und das Tooling wird nun anhand von Benchmarks bewertet.
GQL wird über Graph-Datenbanken hinaus eingesetzt:
Die Autorenverteilung der Kategorie ist konzentriert:
| Autor | Paper |
|---|---|
| Mahmoud Abo Khamis | 5 |
| Diego Figueira | 5 |
| Leonid Libkin | 4 |
| Wim Martens | 4 |
| Ginwa Fakih | 4 |
| Yannis Tzitzikas | 4 |
| Lukas Arzoumanidis | 3 |
| Ruben Taelman | 3 |
Das verbreiterte Corpus-Netz zieht Semantic-Web-nahe Autoren hinzu (Tzitzikas, Taelman, Arcangelo Massari) — eine weitere Folge der breiteren Kategorie-Definition. Innerhalb der expliziten GQL-Paper dominiert das Theorie-Cluster (Angela Bonifati, Renzo Angles, Nadime Francis, Wim Martens, Amélie Gheerbrant, Leonid Libkin, Liat Peterfreund), zusammen mit einem in China ansässigen NL2GQL-Cluster (Yuanyuan Liang, Tingyu Xie). Das Feld wird von einer kleinen Anzahl von Gruppen vorangetrieben — was eine Chance darstellt: Die meisten Praktiker haben noch kein mentales Modell von GQL.
Die Kategorie besteht nun zu 34 % aus arXiv-Publikationen (201/584) — nach 55 % in der August-Ausgabe, da der Fleet-Re-Fetch Tausende reine DOI/OpenAlex-Einträge hinzugefügt hat. Die theorielastige Preprint-Kultur bleibt sichtbar, doch der Schwerpunkt der Kategorie hat sich Richtung publizierter Aufzeichnung verschoben.
Das deutlichste Signal ist die Review-Lücke:
| Aspekt | Paper |
|---|---|
| Review | 15 |
| Entwicklung | 16 |
| Mechanismus | 33 |
| Evaluation | 94 |
Nur 15 Review-/Survey-Paper gegenüber insgesamt 584 (2,6 %) — und in der GQL-Core-Teilmenge sind es 4 von 286 (1,4 %). Bisher hat niemand den definitiven Practitioner-Survey zum „State of GQL“ geschrieben.
Eine Einschränkung aus unserem eigenen hierarchischen Bayes-Gegencheck (empirischer Gamma-Shrinkage über alle 200 Taxonomie-Zellen des Corpus, graph-research/docs/bayesian-gap-analysis.md): Die Review-Zelle liegt exakt auf dem corpusweiten Muster für ihre erwartete Größe (n = 15 gegenüber 15,0 erwartet; posteriore Rate-Ratio 1,0, 95-%-KI 0,58–1,54, P(Gap) = 0,008). Dünne Review-Zellen sind eine globale Eigenschaft junger Felder — die ehrliche Aussage ist daher nicht „GQLs Review-Zelle ist eine extreme Korpus-Anomalie“, sondern „die Survey-Wüste eines jungen Feldes“. Zwei schärfere Bayes-Signale für GQL: Die Evaluations-Zelle ist signifikant überrepräsentiert (94 Paper gegenüber 38,2 erwartet, Rate-Ratio 2,41, P > 0,95) — ein benchmarkbasiertes Feld strukturell — und das einzige nennenswerte Defizit ist die Survey-Zelle (0 von 5,1 erwartet, P(Gap) = 0,93). Zur Einordnung: Die Corpus-Zellen mit ≥ 95-%-posteriorer Gap-Wahrscheinlichkeit liegen anderswo — applications/method (141/422,9), graph-construction/theory (30/164,2), graph-theory/application (86/343,5) — plus fünf leere Survey-Zellen.
Sekundäre Lücken:
Vorgeschlagene Roadmap: (kurzfristig) Practitioner-Survey + Analyse zum Compositionality Engineering; (mittelfristig) Performance-Benchmarks für Dialekte, NL2GQL-Robustheit bei adversarialen/ambigen Queries; (langfristig) GQL als einheitliches Substrat für ontologie-gestützte und Provenienz-Abfragen.
GQL ist nicht bloß 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-gestützten Abfragen. Selbst auf der konservativen GQL-Core-Teilmenge wächst das Feld um rund 98 % pro Jahr. Die eigenen Lücken des Fachbereichs — ein fehlender Survey, ununtersuchte Auswirkungen der Kompositionalität und die agentische Konvergenz — bieten ungewöhnlich starke Chancen für Forscher und Praktiker gleichermaßen.
Diese Analyse wurde auf Basis des Graph-Research-Korpus (github.com/tobias-weiss-ai-xr/graph-research) erstellt: 26.496 Paper, 88,5 % Taxonomie-Sättigung (177/200 Zellen), 2011–2026, Stand 04.09.2026. Die vollständige Methodik und die Rohstatistiken sind in statistics.json und der Kategorie graph-query-languages verfügbar.