GCN，GAT，MPNN，AttentiveFP都能用的特征化方法，写出代码

GCN（图卷积网络）、GAT（图注意力网络）、MPNN（消息传递神经网络）、AttentiveFP（注意力图神经网络特征化方法）都是图神经网络（GNNs）的不同变体，它们用于处理图结构数据，并从中提取特征。这些方法都能在图上运行，并为图中的每个节点生成特征表示。

下面是使用PyTorch Geometric（一个用于图神经网络的PyTorch扩展库）实现的简单示例代码，该代码展示了如何定义一个简单的GCN模型。请注意，GAT、MPNN和AttentiveFP的实现会有所不同，这里仅提供GCN的示例代码：

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv

class GCN(torch.nn.Module):
    def __init__(self):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(in_channels, 16)
        self.conv2 = GCNConv(16, num_features_out)  # num_features_out为输出特征的维度

    def forward(self, data):
        x, edge_index = data.x, data.edge_index

        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)

        return F.log_softmax(x, dim=1)

# 假设你有一个PyTorch Geometric数据对象data，其中包含了图的节点特征x和边索引edge_index
# data = ... # 这里应该加载或创建一个图数据对象
# model = GCN()
# output = model(data)

在使用这段代码之前，你需要安装PyTorch Geometric库，并准备好你的图数据对象`data`，它应该包含`x`（节点特征矩阵）和`edge_index`（图的边索引）。`in_channels`是输入特征的维度，而`num_features_out`是输出特征的维度，这两者都需要根据你的具体数据来设置。

对于GAT、MPNN和AttentiveFP的实现，你可以查看PyTorch Geometric库的官方文档，其中包含了这些模型的实现示例。此外，根据你的具体需求，可能还需要调整和优化模型结构和参数。