Ein aufkommender Trend im Bereich des Repräsentationslernens über Wissensgraphen (KGs) geht über die transduktiven Link-Vorhersageaufgaben hinweg, die sich auf eine feste Menge bekannter Entitäten konzentrieren, und richtet sich stattdessen auf induktive Aufgaben, bei denen das Training auf einem Graphen durchgeführt wird und die Inferenz auf einem neuen Graphen mit unbekannten Entitäten erfolgt. In induktiven Szenarien sind Knotenmerkmale oft nicht verfügbar, und das Trainieren flacher Entitätsembedding-Matrizen ist sinnlos, da sie bei der Inferenz mit unbekannten Entitäten nicht verwendet werden können. Trotz des wachsenden Interesses gibt es nicht genügend Benchmarks zur Bewertung von induktiven Repräsentationslernmethoden. In dieser Arbeit stellen wir ILPC 2022 vor, eine neue offene Herausforderung im Bereich der induktiven Link-Vorhersage in Wissensgraphen. Zu diesem Zweck haben wir zwei neue Datensätze basierend auf Wikidata erstellt, die Training- und Inferenzgraphen mit verschiedenen Größen enthalten, die viel größer sind als existierende induktive Benchmarks. Wir bieten auch zwei starke Baseline-Modelle, die sich auf kürzlich vorgeschlagene induktive Methoden stützen. Wir hoffen, dass diese Herausforderung dazu beiträgt, die Bemühungen der Community im Bereich des induktiven Graph-Repräsentationslernens zu koordinieren. ILPC 2022 folgt den besten Praktiken für Evaluationsgerechtigkeit und Reproduzierbarkeit und ist unter https://github.com/pykeen/ilpc2022 verfügbar.