编写一个Python程序，使用图神经网络进行社交网络分析，识别关键节点

在Python中，我们可以利用深度学习库如PyTorch或TensorFlow以及专门处理图数据的包如DGL (Deep Graph Library) 或 NetworkX来进行社交网络分析。下面是一个简单的例子，展示如何使用DGL构建图神经网络(GNN) 来识别关键节点（通常通过中心度、聚类系数等指标）：

import dgl
import torch
from dgl.nn.pytorch import GCNConv

# 假设我们已经有了一个社会网络的邻接矩阵A和节点特征矩阵H
adj_matrix = ... # 二值或加权邻接矩阵
node_features = ... # 节点特征，例如用户属性或标签

# 将NetworkX的图转换为DGLGraph
g = dgl.DGLGraph(adj_matrix)

# 初始化GCN层
num_hidden = 64
num_layers = 2
conv = GCNConv(node_features.shape[1], num_hidden, num_layers)

# 将图和特征输入到GNN模型中
h = g.ndata['feat']  # 假设节点特征名为'feat'
h = conv(g, h)
# 可能还需要其他聚合操作，如平均池化或全局最大池化
h = g.mean_nodes()  # 对所有邻居取平均值作为节点表示

# 计算关键节点分数，可以基于节点嵌入的欧氏距离或余弦相似度
node_scores = torch.norm(h, dim=1)  # 高得分通常意味着重要节点

# 获取排序后的节点索引，得分最高的被认为是关键节点
top_n_nodes = node_scores.topk(k=10, largest=True).indices.tolist()

# 打印前几个关键节点
print(f"Top {k} key nodes: {top_n_nodes[:k]}")