Las redes neuronales gráficas (GNNs) son algoritmos de aprendizaje profundo que procesan datos estructurados en grafos y son adecuados para aplicaciones como redes sociales, modelos físicos, mercados financieros y predicciones moleculares. La bibliometría, una herramienta para rastrear la evolución de la investigación, identificar hitos y evaluar la investigación actual, puede ayudar a identificar tendencias emergentes. Este estudio tiene como objetivo mapear las aplicaciones de GNN, las direcciones de investigación y los contribuyentes clave. Un análisis de 40,741 publicaciones relacionadas con GNN de la Colección Principal de Ciencia Web revela una tendencia creciente en las publicaciones de GNN, especialmente desde 2018. La informática, la ingeniería y las telecomunicaciones desempeñan roles significativos en la investigación de GNN, con un enfoque en el aprendizaje profundo, las redes neuronales convolucionales, las redes neuronales y el aprendizaje automático. China y EE. UU. en conjunto representan el 76.4% de las publicaciones. Las universidades chinas se concentran en redes neuronales convolucionales, aprendizaje profundo, extracción de características y análisis de tareas, mientras que las universidades estadounidenses se centran en el aprendizaje automático y el aprendizaje profundo. El estudio también destaca la importancia de la química, la física, las matemáticas, la ciencia de la imagen y la tecnología fotográfica, y la informática en sus respectivas comunidades de conocimiento. En conclusión, el análisis bibliométrico proporciona una visión general de la investigación de GNN, mostrando un creciente interés y aplicaciones en diversas disciplinas, y destacando el potencial de las GNN para resolver problemas complejos y la necesidad de continuar la investigación y la colaboración.