任务一、 节点分类 实现基于GNN主流模型(GCN, GAT, GraphSAGE, GIN)的节点分类:

实现要求：基于现有模型框架(DGL, Pytorch_geometric)实现图上的节点分类任务 使用Cora, Citeseer, Flickr数据集 测试GCN, GAT, GraphSAGE, GIN模型 利用框架自带的Sampler采样子图进行训练，并与全图训练进行性能和运行时间的对比

任务二、 图上的链路预测 实现要求：基于现有模型框架(DGL, Pytorch_geometric)实现图上的链路预测 使用Cora, Citeseer, Flickr数据集 测试GCN, GAT, GraphSAGE, GIN模型 利用框架自带的Sampler采样子图进行训练，并与全图训练进行性能和运行时间的对比

任务三、 图分类 实现要求：基于现有模型框架(DGL, Pytorch_geometric)实现图分类任务 使用TUDataset, ZINC数据集 分析不同的池化方法对图分类性能的影响(AvgPooling, MaxPooling, MinPooling) 测试GCN, GAT, GraphSAGE, GIN模型

任务四、 知识图谱 参考 训练和测试框架KGE框架 TransE, RotatE, ConvE的论文 实现要求：基于参考资料和知识图谱补全框架，支持常见模型(TransE, RotatE, ConvE) 需要了解的知识点： 常见知识图谱补全模型的原理(TransE, RotatE, ConvE) 数据集：训练集/验证集/测试集的划分