Las aplicaciones en avance basadas en aprendizaje automático y aprendizaje profundo en redes de comunicación han estado aumentando exponencialmente en las arquitecturas de sistemas de redes definidas por software habilitadas, virtualización de funciones de red y otras redes cableadas / inalámbricas. Con capacidades de exposición de datos de topologías de red estructuradas en gráficos e información del plano de datos subyacente, el enfoque de aprendizaje profundo de vanguardia, las redes neuronales gráficas (GNN), se ha aplicado para comprender correlaciones profundas a múltiples escalas, ofrecer capacidad de generalización, mejorar las métricas de precisión de la modelización de predicciones y potenciar la representación del estado para agentes de aprendizaje por refuerzo profundo (DRL) en la gestión y orquestación de redes inteligentes futuras. Este documento contribuye con una taxonomía de estudios recientes que utilizan enfoques basados en GNN para optimizar las políticas de control, incluidas estrategias de descarga, optimización de enrutamiento, orquestación de funciones de red virtual y asignación de recursos. Los diseños de algoritmos de DRL y GNN convergentes se revisan a lo largo de los estudios seleccionados presentando la generalización de estado, selección de acciones asistidas por GNN y valoración de recompensas en cooperación con las salidas de GNN. También investigamos la implementación de aplicaciones potenciadas por GNN en el control autónomo de redes ópticas, Internet de las Cosas en Salud, Internet de Vehículos, Internet Industrial de las Cosas y otras aplicaciones de ciudades inteligentes. Finalmente, proporcionamos una discusión potencial sobre los desafíos de investigación y las direcciones futuras.