关系型数据的核心在于数据元素之间的关系，而非表格。关系模型通过集合和关系变量定义数据，利用关系代数和谓词演算进行操作。元组表示关系中的真值声明，关系值是关系与匹配元组的组合。关系变量可随时间变化，支持多种操作，如联合、投影和限制。

图神经网络（GNNs）在建模关系型数据方面表现出潜力，被广泛应用。最近，使用连续动态学的GNNs旨在解决其局限性。本调查全面审查了使用连续动态学视角的研究，介绍了基本要素和一般框架，并回顾和分类了现有作品。还总结了如何解决经典GNNs的局限性，并确定了多个开放的研究方向。

本文讨论了Postgres数据库的多模型能力，即支持关系型和非关系型数据类型的能力。作者认为这种能力可以更好地组织不同类型的数据，就像Reese's花生酱杯子的口感一样。

本文探讨了图神经网络在建模关系型数据方面的潜力和局限，介绍了使用连续动态学的GNNs的优势和局限性，以及适应GNNs的连续动态学的基本要素和对图神经动力学设计的一般框架。作者回顾和分类了现有作品，并确定了多个开放的研究方向。