Beberapa algoritma graf telah dikembangkan untuk memecahkan masalah yang berbeda dalam domain yang berbeda. Demikian pula struktur pemrosesan graf yang dibuat untuk menyederhanakan implementasi solusi berbasis graf. Selain basis data relasional, basis data graf NoSQL yaitu Neo4j menggunakan konsep graf untuk menggambarkan model data yang terdiri dari node, edge dan property. Sistem rekomendasi yaitu sistem yang memberikan saran kepada user pada sumber daya tertentu seperti buku, film, lagu, dan lain-lain, berdasarkan beberapa kumpulan data. Data tersebut digunakan untuk membuat pilihan yang tepat, memprediksi tren pasar dan pola preferensi user. Sistem rekomendasi film digunakan untuk memprediksi film mana yang disukai user berdasarkan karakteristik film yang disukai sebelumnya dan menemukan profil user lain yang memiliki selera yang sama. Banyak faktor yang dapat dipertimbangkan saat merancang sistem rekomendasi film seperti genre film, rating film, atau bahkan kategori film tersebut. Sistem dapat merekomendasikan film berdasarkan satu atau kombinasi dari dua atau lebih atribut. Salah satu metode sistem rekomendasi ialah metode collaborative filtering diterapkan dalam permasalahan ini karena mampu memberikan hasil rekomendasi berdasarkan nilai kemiripan(similarity) yang serupa. Hasil percobaan pada dataset MovieLens memberikan hasil cukup dapat diandalkan dan menghasilkan rekomendasi film yang lebih personal dibandingkan dengan model lainnya. Penelitian ini berfokus pada aspek-aspek analisis atribut dari sebuah node, hubungan antara dua atau lebih node, bagaimana menemukan hubungan tersembunyi antara node yang ada. Saat menganalisis data film, metode yang paling penting adalah mengulangi database dan query database. Neo4j berfokus pada pemecahan masalah penurunan kinerja dalam query RDBMS dalam sejumlah besar relasi. Basis data dapat berjalan melalui node dan edge dengan kecepatan yang sama, tidak ada hubungan antara kecepatan ergodik dan jumlah data dalam graf.