يُعدّ التعلّم الآلي للرسوم البيانية فئةً من أساليب التعلّم الآلي لنمذجة وتحليل البيانات ذات البنية الرسومية. ويتمثّل هدفه الأساسي في تعلّم العلاقات البنيوية وتمثيلات الخصائص داخل البيانات باستخدام معلومات مثل العُقد والحواف وخصائصها. وعلى عكس التعلّم الآلي التقليدي، الذي يتعامل في المقام الأول مع بيانات الشبكة المنتظمة أو العينات المستقلة، يستطيع التعلّم الآلي للرسوم البيانية التعامل مع البيانات ذات العلاقات المترابطة المعقدة، مثل الشبكات الاجتماعية، ومخططات المعرفة، والهياكل الجزيئية، وشبكات النقل، وأنظمة التوصية.

يستند تطوير التعلم الآلي للرسوم البيانية إلى مجالات متعددة، تشمل نظرية الرسوم البيانية، وتحليل الشبكات، والتعلم الآلي. اعتمدت الأبحاث المبكرة بشكل أساسي على خصائص الرسوم البيانية المصممة يدويًا وخوارزميات الرسوم البيانية التقليدية للتحليل. مع تطور التعلم العميق، بدأ الباحثون باستكشاف الشبكات العصبية للرسوم البيانية (GNNs)، مستخدمين الشبكات العصبية لتعلم تمثيلات العقد مباشرةً من هياكل الرسوم البيانية. في عام 2017، نشر باحثون في جامعة أمستردام ورقة بحثية... التصنيف شبه الخاضع للإشراف باستخدام الشبكات التلافيفية البيانية تقترح الورقة البحثية شبكة الالتفاف البياني (GCN)، التي تجمع معلومات العقد المجاورة من خلال عمليات الالتفاف البياني، مما يحسن قدرة التعلم شبه الموجه على بيانات الرسم البياني، وقد أصبحت واحدة من أهم الأعمال البحثية التمثيلية في مجال الشبكات العصبية للرسم البياني.

تُستخدم أساليب التعلّم الآلي الحديثة القائمة على الرسوم البيانية على نطاق واسع في مهام مثل تصنيف العقد، والتنبؤ بالروابط، وتصنيف الرسوم البيانية، واستدلال العلاقات. ومع تطور الشبكات العصبية للرسوم البيانية، وتعلّم تمثيل الرسوم البيانية، والنماذج القائمة على الرسوم البيانية، تم تطبيق هذا المجال في علم الأحياء الحاسوبي، واكتشاف الأدوية، ومخططات المعرفة، وأنظمة التوصية، والأمن السيبراني، واسترجاع المعلومات، مما يوفر وسائل تقنية مهمة لتحليل البيانات العلائقية المعقدة.