圖（graph）是廣泛用於表達現實各種事物之間互動關係的一種資料結構，如模擬社群互動的社群網路（social network）、論文引用圖（citation graph）、知識圖譜等。由於其透過節點（node）和邊（edge）彈性組合的結構，將可以保有豐富的資訊量，進而有著各式各樣的分析及應用，如資訊擴散（information diffusion）、社群偵測（community detection）、節點分類（node classification）、鏈結預測（link prediction）等。一般來說，圖的內容相當龐大並且結構複雜，因此這些分析的計算是相當消耗資源的，隨著表示法學習的興盛，圖學習表示法（graph representation）提供了有效率的方式進行分析。圖學習表示法將圖的元素轉換至低維度的向量空間，同時保留了圖上的原有的資訊。透過表示法，一張圖的元素如子圖（subgraph）、節點、邊甚至整張圖可以由一組或多組低維度向量所表示，因此計算時只需要存放向量矩陣而不需要存放大量的節點、邊的屬性資訊省下了計算空間，另一方面，向量計算是方便進行平行話計算的因此可以加速分析的過程。除此以外，根據不同的種類的圖作為輸入，如異質圖（heterogeneous graph）、同質圖（homogeneous graph）、屬性圖（attribute graph）等，圖學習表示法皆有能力將其轉會為低維度向量進而分析，因此可以廣泛應用於各種情境，如生物醫學中的蛋白質分析、電商中的推薦系統。
在推薦系統的使用情境當中亦不乏圖學習表示法的應用，如 DeepWalk 透過隨機遊走（random walk）的抽樣方式取得一系列節點，並應用 word2vec 模型中的 skip-gram 演算法產生各個節點的向量，將節點間的區域鄰近關係（neighborhood similarity）帶入向量當中，LINE 模型定義了節點間的一階相似度（first-order proximity）用於模擬成對節點間的局部相似度，及二階相似度（second-order proximity）模擬兩節點其鄰居節點的相似度，並結合負抽樣演算法（negative sampling）訓練出能夠代表節點間鄰近關係的向量。在冷啟動問題的應用情境中，透過圖表示學習法將能夠更輕易的將社群網路、知識圖譜的資訊帶入推薦系統當中，如 KGCN 應用圖卷積網路（graph convolution neural network）於圖表示法並定義了不同種類的關係（relation）對於不同節點/實體（entity）有不同重要性，這些重要性將會在針對節點計算卷積（convolution）時有不同的權重影響，藉此帶入知識圖譜的資訊於推薦系統中對齊（align）的商品。