动态网络链路预测广泛的应用前景,使得其逐渐成为网络科学研究的热点.动态网络链路演化过程中具有复杂的空间相关性和时间依赖性,导致其链路预测任务极具挑战.提出一个基于时序图卷积的动态网络链路预测模型(dynamic network link predi...动态网络链路预测广泛的应用前景,使得其逐渐成为网络科学研究的热点.动态网络链路演化过程中具有复杂的空间相关性和时间依赖性,导致其链路预测任务极具挑战.提出一个基于时序图卷积的动态网络链路预测模型(dynamic network link prediction based on sequential graph convolution, DNLP-SGC).针对网络快照序列不能有效反映动态网络连续性的问题,采用边缘触发机制对原始网络权重矩阵进行修正,弥补了离散快照表示动态网络存在时序信息丢失的不足.从网络演化过程出发,综合考虑节点间的特征相似性以及历史交互信息,采用时序图卷积提取动态网络中节点的特征,该方法融合了节点时空依赖关系.进一步,采用因果卷积网络捕获网络演化过程中潜在的全局时序特征,实现动态网络链路预测.在2个真实的网络数据集上的实验结果表明,DNLP-SGC在precision, recall, AUC指标上均优于对比的基线模型.展开更多
文摘动态网络链路预测广泛的应用前景,使得其逐渐成为网络科学研究的热点.动态网络链路演化过程中具有复杂的空间相关性和时间依赖性,导致其链路预测任务极具挑战.提出一个基于时序图卷积的动态网络链路预测模型(dynamic network link prediction based on sequential graph convolution, DNLP-SGC).针对网络快照序列不能有效反映动态网络连续性的问题,采用边缘触发机制对原始网络权重矩阵进行修正,弥补了离散快照表示动态网络存在时序信息丢失的不足.从网络演化过程出发,综合考虑节点间的特征相似性以及历史交互信息,采用时序图卷积提取动态网络中节点的特征,该方法融合了节点时空依赖关系.进一步,采用因果卷积网络捕获网络演化过程中潜在的全局时序特征,实现动态网络链路预测.在2个真实的网络数据集上的实验结果表明,DNLP-SGC在precision, recall, AUC指标上均优于对比的基线模型.
文摘以江苏王港典型互花米草(Spartina alterniflora)盐沼湿地为研究对象,分析光滩及互花米草滩沉积物中有机碳的水平和垂向分布特征,了解互花米草生物量的季节动态变化,探讨二者之间的相互关系,在此基础上研究互花米草生物量分布和季节变化对沉积物中有机碳(TOC)含量的影响。结果表明,互花米草枯落物中的有机碳数量在两个月内衰减了40%,而表层沉积物中TOC含量及其中互花米草来源TOC所占比例的变化,均与互花米草地表枯落物量的季节变化存在两个月的"相位差",这与枯落物快速分解时间大致吻合,说明枯落物是表层沉积物中TOC的重要来源。高达60%的互花米草地下生物量分布在0—20cm深度内,该深度范围内沉积物中TOC含量较高,且TOC主要来源于互花米草。此外,不同深度TOC含量与地下生物量之间存在良好的正相关关系,说明地下生物量是影响沉积物TOC含量的重要因子。研究区互花米草年固碳能力为2274g m-2a-1,盐沼沉积物中TOC埋藏速率达到了470 g m-2a-1,是地表一个重要的碳汇;同时研究区每年向近岸水域输出大量的TOC,是近岸海域生态系统的一个重要碳源。