目录
学术论文的基本概念
学术论文是对研究工作的阶段性总结，单篇论文的内容不需要太多, 创新点一两个就够. 如果有一系列工作, 就写一系列论文. 个部分内容有固有的要求. 方便读者找到自己需要的内容. 论文不需要文采, 只需要正确的内容放在正确的位置。
标题
标题对于论文来说至关重要，一个好的标题能够激发读者阅读的兴趣。
（１）具有吸引力并且易于理解，使得读者能够轻松读懂。术语和其它词汇应该在该领域内常用, 不应该要求读者借助词典才能理解.
（２）长度最好控制在 40-60 个字母之间并且应该易于检索。流行的术语有助于被别人搜索到, 也能帮助提高论文的被引频次，而越长的标题表示限定越多, 适用范围越窄, 创新性越低, 读者也就没啥兴趣了.
摘要
从中文的角度, "摘要"就是把论文重要的内容摘录出来; 从英文的角度, Abstract 就是把重要的内容抽取出来. 它通常包括三个部分: 已有工作的评述, 本文工作的描述, 实验结果. 有些期刊明确要求按照 Background, contribution, experiments 三个方面描述.
关键词
关键词常被看作摘要的一种补充，一般需要 3–5 个关键词，关键词一般由 1–3 个单词构成，将关键词按照字母表排序，有些期刊支持两类关键词index term: 由期刊提供, 只能从投稿网站给定的列表选择和keywords: 作者自己按需写.
引言
"引言"的本意是为论文作一些铺垫, 然而, 在计算机英文论文中, Introduction 需要讲述完整的故事.
（1）它应该对整个故事进行详细的描述. 如果说摘要是电影 5 分钟宣传片的话, 引言就应该是整个的剧本. 很多审稿人在读完引言后, 就有了基本 (80% 以上) 的判断. 如果引言写得漂亮, 他就会在后面的正文中找出一些证据, 赞扬研究工作有意义, 理论完备, 实验效果好等等. 如果引言写得难看, 感觉作者没受过专业的科研训练, 他也会在正文中找出几条问题, 说论文写得不好.
（２）采用与摘要相同的节奏. 摘要的每一句, 都扩展成引言中的一段. 每段的首句被称为"主题句". 主题句通常是一种"断言", 该段其它句子的作用, 都是支撑该断言.
（３）每段应有 5–10 句. 如果相邻两段都太短, 应把它们合并到一起. 如果某段太长, 就应该拆分, 或者直接减少文字.
（４）期刊论文要求写论文的组织结构. 引言的最后一段以 The rest of the paper is organized as follows. 开头即可. 也不需要玩什么花样, 按部就班陈述即可.
文献综述
每篇论文都应有文献综述，表示对前人工作的尊重, 我们是站在巨人的肩头上，当读者不清楚某些技术的细节时便于查阅。可以在不同的地方描，如果在引言中: 一般描述得比较简略.如果第 2 节专门的 Related work: 则描述得比较详细.如果不想破坏自己论文的完整性, 特别是有 Preliminaries 一节时, 可考虑放到实验之后.文献需要进行分门别类的介绍，便于读者理解你这项工作的位置. 例: 主动学习有两个流派: 基于不确定性与基于代表性, 本文工作为后者.有时会大类套小类, 逐步细化.这样的综述才有目的、有营养.参考文献的引用一般仅仅是一种附属品，先写一个完整的句子, 再把参考文献的引用加上去. 不应将参考文献的引用作为句子的主语、宾语等.读者从你这个文献综述里面看不到有深度的“综合论述”，容易出现连续多个单词与相应文献句子相同, 查重也会有问题.为了凑篇幅而综述, 肯定不靠谱.以年份为主线的综述也不值得提倡，还是堆砌的感觉.不要一次性引用太多文献，一次不要超过 3 篇, 否则又是堆砌的感觉. 即使与这个位置相关的参考文献很多, 也应该想办法放在不同的位置.
理论部分
对于计算机专业的学生而言, 数学语言的运用通常有一定困难. 这是因为很多人在学习数学的时候, 只是想办法应付考试, 而没有思考内在的涵义.理论部分一般性的准则如:理论应该完备，符号要保持同一风格，重要结论称为定理 theorem, 定理前面打辅助的叫作引理 lemma, 定理后面的尾巴叫推论 corollary, 附属于算法的叫 property.
算法伪代码
算法伪代码是论文的核心之一.需要说明输入、输出;方法 (函数) 名可写可不写, 如果被别的方法调用就必须写;需要写出主要步骤的注释;长度控制在 15-30 行;可使用数学式子或对已有数学式子的引用;不重要的步骤可以省略;一般需要进行时间、空间复杂度分析, 并写出配套的 property 以及相应的表格, 以使其更标准.
实验部分
对于很多机器学习论文, 实验部分占据了论文一半的篇幅.
（１）数据集信息
数据集越多, 覆盖领域越广, 结果就越可信. 从软件测试的角度也是如此.在多数情况下, 12 至 20 个公开数据集就足够了. 然而, 对于一些领域和问题而言, 数据集却非常珍贵. 可以使用人造数据集, 或者数据集随机采样成多个, 来缓解该问题.数据集大些更好. 获取自己主要参考文献中的数据, 有利于进行比较. 你甚至不需要把他们的方案实现. 在一些领域如图像和视觉, 会有一些专门的数据集供大家测试.
（２）自问自答模式
实验的主要目的是回答一些作者和读者关心的问题. 因此, 我采用自问自答的方式, 在实验之前提出这些问题, 在实验结果列出之后逐个回答它们.
（３）内部比较
内部比较的动机包括:展示参数变化所导致的性能变化和展示主要方案与其变种相比的优势.
（４）外部比较
外部比较即与已有算法进行对比.需要比较经典方案, 基准方案, 最先进的方案.很多时候使用柱状图.如果数据太多, 用表格就比图合适.如果要把参数影响, 数据集大小影响也表现出来, 就只有用折线图.最重要的比较放在最后.要有足够的文字进行分析, 不能让读者自己去观察.并不需要在所有数据集上击败其它方案.在分析自己方案优势之余, 也应该分析它的劣势. 因为机器学习的基本规律就是 No free lunch, 即一个方案既然有优点, 就肯定有缺点. 既然有擅长的数据/指标, 也就有不擅长的数据/指标.
结论
结论一般不要太长, 5 句就够了. 如果想讨论的内容比较多, 应该在本节之前加入一个单独的Discussions 小节.避免使用与摘要内相同的句子. 摘要里面说我们做了哪些事情, 而这里应该说我们获得哪些观察与结论. 也就是说, 结论比摘要更加具体. 可以具体到论文中的某个算法, 某条性质, 某个定理, 某个实验结果, 这样就自然与摘要区别开来.如果要讨论说进一步工作, 可以列出 3 至 5 条, 不算在 Conclusion 的字数里面. 读者很可能非常关注这一部分, 因为他们可以按照这种思路继续进行研究. 作为一项研究工作, 打开一扇门比完全解决某一问题更重要. 如果这一部分写得好, 就会有很多的引用. 引用数量也比论文发表数量更重要.
心得
学习闵帆老师论文写作课是一次很有收获的经历。在这门课程中，我学到了许多关于有效写作的技巧和策略。明确的论文结构对于表达思想非常重要，我学会了如何组织引言和摘要，使文章逻辑清晰。其次，注重文献综述的深度和广度，这有助于提升论文的学术性和可信度。此外，老师的反馈对于我的写作能力有很大的帮助，帮我发现并改进了一些常见的写作问题。总体而言，这门课程提升了我的学术写作技能，使我更有信心和能力撰写高质量的论文。
扫一扫
260
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
