现有实体：景点实体数据包括景点名称、景点地址、景点开放时间等属性，地区实体数据包括地区名称，关系：景点位于地区，如何利用现有数据进行基于GCN的知识图谱景点推荐，列出详细步骤，及示例代码

基于GCN的知识图谱景点推荐需要涉及到数据的预处理、图谱构建、模型训练和预测等多个方面的内容。以下是一个简单的示例流程和代码实现：

1. 数据预处理
首先需要将实体和关系转换为图中的节点和边，并进行编号，以便于后续的模型训练和预测。可以使用networkx等图处理库来实现数据预处理。以下是一个简单的代码实现：

import networkx as nx
import numpy as np

# 加载实体和关系数据
places = [{'id':1, 'name':'景点1', 'address':'地址1', 'open_time':'9:00-17:00'}, 
          {'id':2, 'name':'景点2', 'address':'地址2', 'open_time':'8:30-18:00'}]
areas = [{'id':1, 'name':'地区1'}, {'id':2, 'name':'地区2'}]
relations = [{'source':1, 'target':1, 'relation':'位于'}, {'source':2, 'target':2, 'relation':'位于'}]

# 转换为图中的节点和边
nodes = places + areas
edges = [(r['source'], r['target'], {'relation': r['relation']}) for r in relations]

# 构建图谱
graph = nx.DiGraph()
graph.add_nodes_from([(n['id'], {'label': n['name']}) for n in nodes])
graph.add_edges_from(edges)

# 节点编号映射表
node2index = {n['id']:i for i, n in enumerate(nodes)}

# 边类型编号映射表
relation2index = {'位于': 0}

2. 模型训练和预测
基于GCN的知识图谱景点推荐可以采用图卷积神经网络（GCN）来实现。可以使用DGL等图神经网络库来实现模型训练和预测。以下是一个简单的GCN模型实现：

import dgl
import torch
import torch.nn as nn
import torch.nn.functional as F

# GCN模型类
class GCN(nn.Module):
    def __init__(self, in_feats, h_feats, num_classes):
        super(GCN, self).__init__()
        self.conv1 = dgl.nn.GraphConv(in_feats, h_feats)
        self.conv2 = dgl.nn.GraphConv(h_feats, num_classes)

    def forward(self, g, inputs):
        h = self.conv1(g, inputs)
        h = F.relu(h)
        h = self.conv2(g, h)
        return h

# 构建图结构和特征向量
g = dgl.from_networkx(graph)
num_nodes = len(g.nodes())
in_feats = 1
h_feats = 16
num_classes = 1
features = np.zeros((num_nodes, in_feats))
for i, node in enumerate(g.nodes()):
    features[i, 0] = node // 10  # 模拟节点特征向量

# 划分训练集和测试集
train_idx = np.array([node2index[n['id']] for n in places])
test_idx = np.array([node2index[n['id']] for n in areas])
train_mask = np.zeros(num_nodes)
train_mask[train_idx] = 1
test_mask = np.zeros(num_nodes)
test_mask[test_idx] = 1

# 训练模型
model = GCN(in_feats, h_feats, num_classes)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)
criterion = nn.CrossEntropyLoss()
model.train()
for epoch in range(200):
    logits = model(g, torch.tensor(features, dtype=torch.float32))
    loss = criterion(logits[train_idx], torch.tensor(train_mask[train_idx], dtype=torch.long))
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    if epoch % 50 == 0:
        print('Epoch %d | Loss: %.4f' % (epoch, loss.item()))

# 预测测试集
model.eval()
logits = model(g, torch.tensor(features, dtype=torch.float32))
pred = logits[test_idx].argmax(1)
recommend_places = [nodes[test_idx[i]]['name'] for i in range(len(test_idx)) if pred[i] == 0]

# 输出推荐结果
print(recommend_places)

以上是一个简单的基于GCN的知识图谱景点推荐流程和代码实现，实际应用中需要根据数据和需求进行调整和优化。