Con su poderosa capacidad expresiva y presentación intuitiva, el grafo de conocimiento ha surgido como una de las formas principales de representación y gestión del conocimiento. Sin embargo, la presencia de sesgos en nuestros procesos cognitivos y de construcción a menudo conduce a grados variables de incompletitud y errores dentro de los grafos de conocimiento. Para abordar esto, el razonamiento se vuelve esencial para complementar y corregir estas deficiencias. Los métodos de razonamiento de grafo de conocimiento basados en reglas lógicas sobresalen en realizar inferencias al descubrir reglas lógicas subyacentes, mostrando una notable capacidad de generalización e interpretabilidad. Además, la flexibilidad de las reglas lógicas permite una integración perfecta con diversos modelos de redes neuronales, ofreciendo perspectivas prometedoras para la investigación y aplicación. A pesar del creciente número de métodos de razonamiento de grafo de conocimiento basados en reglas lógicas, falta una clasificación y análisis sistemáticos de estos enfoques. En esta revisión, profundizamos en la investigación relevante sobre el razonamiento de grafo de conocimiento basado en reglas lógicas, clasificándolos en cuatro categorías: métodos basados en, métodos que unifican y reglas lógicas, métodos que unifican y reglas lógicas, y métodos que utilizan conjuntamente y reglas lógicas. Introducimos y analizamos los conceptos principales y las técnicas clave, así como las ventajas y desventajas asociadas con estos métodos, al mismo tiempo que proporcionamos una evaluación comparativa de su rendimiento. Además, resumimos los principales problemas y desafíos, y ofrecemos ideas sobre posibles direcciones para futuras investigaciones.