Data yang memiliki struktur graf semakin banyak tersedia di sekitar kita dan dihasilkan oleh berbagai sumber data. Data berstruktur graf yang terakumulasi dari sejumlah aplikasi media sosial setiap harinya memiliki volume sangat besar. Informasi hasil pengolahan data tersebut sangat berguna bagi pembuatan keputusan di berbagai bidang seperti: analisis dan penyusunan kebijakan publik, dan Customer Relationship Management. Namun demikian, untuk menganalisis data graf dibutuhkan metode yang tepat untuk menggali pola data yang "tersembunyi" di dalam himpunan data. Berbeda dari metode analisis statistik yang hanya menggunakan variabel objek, analisis data graf menggunakan variabel objek (vertex) dan variabel relasi antar objek (edges). Machine Learning merupakan sebuah cabang ilmu Kecerdasan Artifisial yang berfokus kepada pengembangan algoritma "cerdas" yang mampu mempelajari pola dari data yang terstruktur maupun tidak-terstruktur tanpa diprogram secara eksplisit. Menggunakan proses pembelajaran model bersifat iteratif, sebuah model Machine Learning dapat dipergunakan untuk menganalisis data berukuran sangat besar secara efisien sehingga dapat dimanfaatkan ke dalam sejumlah teknologi untuk membantu manusia menyelesaikan pekerjaan rutin yang semula dikerjakan secara manual, antara lain: mendeteksi objek di dalam citra, melakukan segmentasi citra, dan mendeteksi ujaran kebencian di dalam kalimat. yang Namun demikian, algoritma Machine Learning tidak dapat diaplikasikan langsung ke dalam data berstruktur graf disebabkan oleh beberapa hal antara lain: struktur data graf yang bersifat kompleks, tidak memiliki titik referensi, dan bersifat dinamis. Oleh karena itu, algoritma Machine Learning perlu diadaptasi agar dapat dipergunakan untuk menganalisis data graf. Publikasi yang ditulis oleh Gori, Monfar Dini, dan Scarselli (2005) mungkin menjadi salah satu titik awal berkembangnya Graph Machine Learning, sebuah cabang ilmu Kecerdasan Artifisial yang menggabungkan Machine Learning dan Teori Graf. Dengan menggunakan metode Graph Machine Learning, data graf dapat dianalisis pada beberapa level yaitu: (i) level vertex, misalnya: memprediksi kategori akun dari data sebuah jaringan media sosial; (ii) level edge, misalnya: memprediksi apakah seorang calon konsumen akan menyukai sebuah produk/layanan yang ditawarkan; dan (iii) level sub-graf atau graf, misalnya: memprediksi apakah sub-graf hasil pembelajaran seorang mahasiswa sampai semester tertentu memiliki kemiripan dengan dengan sub-graf hasil pembelajaran mahasiswa lain yang telah lulus dengan IPK tinggi atau mahasiswa dropout.