时间：2022年4月29日（星期五）15:00-16:30

地点：365英国上市官网在线院807教室

报告题目一：基于Informer模型的时间长序列预测研究

报告人：杜晓敬

报告简介：首先介绍时间序列预测的相关背景和课题来源。然后对比基于Transformer模型改进的Informer模型的优点，也就是本研究的主要贡献。本研究对比了Time-series methods: ARIMA, DeepAR, Prophet, LSTMa, LSTnet；Transformer-based methods: vanilla Transformer, Reformer, LogSparse Transformer等模型，并通过在真实数据集（tricity Transformer Dataset）和公共数据集（Electricity Consuming Load、Weather）进行验证，取得更好的结果。提出的方法可以为其它领域带来好处，如文本、音乐、图像和视频的长序列生成。

报告题目二：基于复杂网络的游戏用户模型研究

报告人：韩宗钊

报告简介：首先介绍近年游戏行业的火爆引起社科经济界的关注，这些研究专注定性理论，缺少数理逻辑的分析。传染病模型可以扩展到社会文化传播现象中去，但传统的传染病模型多为平均场模型，网络结构是同质规则结构，与真实世界相差较大。复杂网络理论是研究复杂网络本身以及复杂系统的研究，能够更好地解释和阐述真实世界。报告将传染病模型与复杂网络相结合，同时加入创新传播模型的异质阈值选择，解释了游戏行为传播的现象，填补了研究空白。

报告题目三：基于对比学习强化句向量表示的研究

报告人：谢泽

报告简介：对于很多自然语言处理任务来说，学习到一个良好的句向量表示是非常重要的。例如在向量检索，文本语义匹配等任务中，模型将输入的两个句子进行编码得到句向量，然后计算句向量之间的相似度，从而判断两个句子是否匹配。从视觉领域对比学习的成功可以看出，对比学习在表征学习，尤其是无监督的环境下，能起到不错的效果。一个自然的想法是，在NLP的句表示学习任务中，加以应用，从而强化模型学习到的句子表征能力。

欢迎广大师生踊跃参加！