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，我们可以利用如PyTorch Geometric (PyG)这样的库来编写图神经网络（Graph Neural Networks, GNNs），进行社交网络分析。这里是一个简单的例子，展示如何使用PyG构建一个基本的GNN模型来找出社交网络的关键节点：

import torch
from torch_geometric.data import Data
from torch_geometric.nn import GCNConv

# 假设我们已经有了一个边列表（edges）和节点特征矩阵（node_features）
edge_index = ... # (2, num_edges)
node_features = ... # (num_nodes, node_feature_dim)

# 创建Data对象，这是PyG的基本数据结构
data = Data(x=node_features, edge_index=edge_index)

# 定义一个简单的GCN层
class SimpleGNN(torch.nn.Module):
    def __init__(self, in_channels, out_channels):
        super(SimpleGNN, self).__init__()
        self.conv1 = GCNConv(in_channels, out_channels)

    def forward(self, data):
        x = self.conv1(data.x, data.edge_index)
        return x

# 创建并初始化模型
model = SimpleGNN(node_feature_dim, 8) # 假设我们要学习8个隐藏特征
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练循环
for epoch in range(num_epochs):
    model.train()
    optimizer.zero_grad()
    output = model(data)  # 输出节点嵌入
    # 可能还需要添加一些损失函数，例如聚类系数或中心性指标
    loss = ...  # 模型损失计算
    loss.backward()
    optimizer.step()

# 关键节点识别通常通过聚类算法（如K-means）或社区检测算法（如 Louvain 算法）完成
# 在训练后，我们可以对每个节点的输出向量应用聚类，并选择那些属于大簇或中心节点作为关键节点