现在有两个字典citation_dict与network，citation_dict和network键完全相同，均为作者id，citation_dict的值为作者的引用量，network的值为作者的合作者id，依据 这两个字典，构建学者合作网络图数据集。使用torch_geometric.data.data.Data类型存储图数据，其中每一张图代表一个作者的合作网络，图中的节点为作者id，节点的属性为作者的引用量，图的属性即y，为该图中心作者的引用量，请给出Python代码：

以下是构建学者合作网络图数据集的 Python 代码：

import torch
import torch_geometric.data

citation_dict = {'author_1': 10, 'author_2': 5, 'author_3': 20}
network = {'author_1': ['author_2', 'author_3'],
          'author_2': ['author_1', 'author_3'],
          'author_3': ['author_1', 'author_2']}

graphs = []
for author, coauthors in network.items():
    edge_index = []
    edge_index.append(torch.tensor([0, i] for i, coauthor in enumerate(coauthors)))
    edge_index.append(torch.tensor([i, 0] for i, coauthor in enumerate(coauthors)))
    edge_index = torch.cat(edge_index, dim=0)
    
    x = torch.tensor([citation_dict[author]] + [citation_dict[coauthor] for coauthor in coauthors])
    
    y = torch.tensor([citation_dict[author]])
    
    graphs.append(torch_geometric.data.Data(x=x, edge_index=edge_index, y=y))

这段代码首先定义了两个字典 `citation_dict` 和 `network`，分别代表作者的引用量和作者的合作者关系。接着，使用 `for` 循环遍历 `network` 字典，对于每一个作者，通过创建一个 `torch_geometric.data.Data` 对象来存储该作者的合作网络。图的边是通过创建两个 `torch.tensor` 对象存储的，第一个存储的是起点，第二个存储的是终点。节点的属性 `x` 是所有合作者的引用量的列表，图的属性 `y` 是该图的中心作者的引用量。最后，所有的图都存储在 `graphs` 列表中。