图机器学习（Graph Machine Learning）是一类针对图结构数据进行建模和分析的机器学习方法，其核心目标是利用节点（Nodes）、边（Edges）以及节点或边属性等信息，学习数据中的结构关系与特征表示。与传统机器学习主要处理规则网格数据或独立样本不同，图机器学习能够处理具有复杂关系连接的数据，例如社交网络、知识图谱、分子结构、交通网络和推荐系统等。

图机器学习的发展建立在图论、网络分析和机器学习等多个领域基础之上。早期研究主要依赖人工设计图特征和传统图算法进行分析。随着深度学习的发展，研究人员开始探索图神经网络（Graph Neural Networks, GNN），利用神经网络直接从图结构中学习节点表示。 2017 年，阿姆斯特丹大学研究人员在论文 Semi-Supervised Classification with Graph Convolutional Networks 中提出图卷积网络（Graph Convolutional Network, GCN），通过图卷积操作聚合邻居节点信息，提高了图数据上的半监督学习能力，成为图神经网络领域的重要代表性研究工作之一。

现代图机器学习方法广泛应用于节点分类、链接预测、图分类和关系推理等任务。随着图神经网络、图表示学习以及图基础模型的发展，该领域已应用于计算生物学、药物发现、知识图谱、推荐系统、网络安全和信息检索等场景，为分析复杂关系数据提供了重要技术手段。