已经利用Networkx 库将neo4j的实体和关系转换成为图形结构，后续将图形结构利用GCN转换成嵌入向量python代码实现

下面是一个简单的示例代码，将使用NetworkX和PyTorch Geometric (PyG)库来实现：

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

# 加载图形结构
G = nx.read_gpickle('graph.gpickle')

# 构建图形结构数据
edge_index = []
for edge in G.edges():
    edge_index.append((edge[0], edge[1]))
    edge_index.append((edge[1], edge[0]))
edge_index = torch.tensor(edge_index, dtype=torch.long).t().contiguous()

x = torch.eye(G.number_of_nodes())

# 定义GCN模型
class GCN(torch.nn.Module):
    def __init__(self):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(x.size(1), 16)
        self.conv2 = GCNConv(16, 2)

    def forward(self, x, edge_index):
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 初始化模型
model = GCN()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

# 训练模型
model.train()
for epoch in range(200):
    optimizer.zero_grad()
    out = model(x, edge_index)
    loss = F.nll_loss(out[G.nodes()], G.nodes['label'])
    loss.backward()
    optimizer.step()

# 提取节点的嵌入向量
model.eval()
out = model(x, edge_index).detach()
embeddings = out[G.nodes()].numpy()

其中，GCNConv是PyG库中的图卷积层，x表示节点特征矩阵，edge_index表示边的索引矩阵，GCN模型的输出是每个节点的嵌入向量，通过训练模型可以得到节点的嵌入向量。