Pgl

2. 新增动态图模式的异构图建图, 支持异构图metapath采样与消息传递双机制, 详情请参考[这里](./pgl/heter_graph.py)
3. 新增实验性的DistGPUGraph，利用NCCL通讯实现多卡FullBatch神经网络训练，更多的示例可见[此](./examples/citation_benchmark/multi_gpu_train.py)
4. 全面更新动态图文档, 接口更加简洁, 使用更加方便. 详细文档可参考[这里](https://pgl.readthedocs.io/en/latest/)

• （重要更新）基于Paddle 2.0rc对PGL进行重构，依赖Segment系列OP构建动态图版本的PGL，在保证效率的同时，大大提升了易用性。注意！！本升级为不兼容升级，静态图版本PGL（<1.3）将处于不升级维护状态；
• 统一了旧版Graph、MultiGraph与GraphWrapper的概念为Graph，新增动态图PGL全新文档；
• 新增动态图版本PGL Model Zoo，支持Deepwalk、GCN、GAT、SGC、APPNP、GraphSage、GIN、GCNII等8个模型，并支持分布式能力。更多模型将会在后续版本发布；
• 新增DataLoader支持多进程图采样能力；
• 新增图神经网络7日打卡营课程资料；

• 发布业界首个结合语义信息与结构信息的图神经网络模型ERNIESage
• 新增PGL-KE，目前PGL涵盖游走类、消息传递类以及知识嵌入类等25+图学习模型
• 新增Graph Batch、Graph Pooling等Graph类操作算子
• 全面支持Open Graph Benchmark基准测试集
• Model Zoo新增ERNIESage、MetaPath2Vec++、Mulit-MetaPath2Vec++、STGCN、GIN、PinSage模型

1. 易用性：新增异构图的Metapath采样与Message Passing消息传递双机制，支持包含多种类型节点和边特征的异构图建模，新增Metapath2vec、GATNE等异构图算法。同时，文档、API、Tutorial等材料也进一步完善。
2. 规模性：新增分布式图引擎和分布式Embedding，可支持十亿节点百亿边的超巨图的多种分布式训练模式。新增distributed deepwalk和distributed graphSage两个分布式样例。
3. 丰富性：新增8个、累计13个图学习模型，涵盖了图神经网络和图表征学习的主流模型。新增的8个模型分别是LINE、struc2vec、metapath2vec、GES、GATNE、SGC、Unsup-GraphSage、DGI。
4. 更新首页README。

图学习框架PGL（Paddle Graph Learning）preview版本
• 正式发布基于PaddlePaddle的图学习框架PGL，提供基于游走（Walk Based）以及消息传递（Message Passing）两种计算范式去搭建最前沿的图学习算法，如图表征学习、图神经网络等。PGL充分利用Paddle LoD Tensor特性大幅提升Message-Passing范式中信息聚合效率，兼顾了灵活性和高效性。
• 新增基于PGL复现的GCN、GAT，在多个数据集达到SOTA水平。
• 新增基于大规模子图采样模型Graphsage模型，单机可支持5千万节点、20亿条边的巨图。
• 新增node2vec，deepwalk等图表征学习方法，达到SOTA水平。
• 新增PGL文档、API、tutorial等易用性材料。