论文写作学习总结

研究与论文

研究 $\ne$ 研发
研究的目的是发现新知识、发明新技术
研发则是基于已有的知识和技术进行研制和开发。

如何做研究？
研究有大致过程：
确定方向 -> 发现问题 -> 提出方案 -> 具体工作 -> 论文撰写 -> 投出论文

从 确定研究方向 开始
通常情况下，导师给出topic。然后，阅读关于该话题的重要文献，了解该话题的研究历程、研究现状。一个好的办法就是看文献综述，或是某一篇论文的参考文献，然后顺藤摸瓜找到更多的文献。除此之外，可以请导师推荐。
倘若没有方向，那么可以找师兄师姐请教，或者通过网络社区，如BBS， mailing list来寻找方向。搞清楚自己的领域里最重要的刊物、会议。通过论文数据库等找来最近几年的文章。最后，读! 只需要先阅读摘要部分，不懂则略过，目的主要是确定有哪些研究方向，帮助自己做选择。
选择方向时，也要结合环境和自身实际的情况，是否有必要的知识基础、能否获得必要的数据、硬件等资源。

发现问题
问题是科学研究的心脏。任何有价值的研究，都是为了解决某个问题。提出一个好的问题，已经成功了一半。会找问题，是具有独立研究能力的标志。
多数情况下，需要自己寻找问题，有问题以后，就可以开始顺藤摸瓜再找文献，总结前人的工作，悟出发展的线索。最后，前人工作的优点是什么，缺陷是什么？这些缺陷则可以是自己的研究的着力点。

提出方案
当有了新的方案时，首先思考并整理到文本或是其他形式，然后请导师帮助作判断、改善。有了好的Idea，问题就解决了一大半。

具体工作
为了支撑自己的Idea，那么就需要对其进行实现，并做相关的理论分析和对比试验。理论分析一定要具有完备性、前后分析要一致。实验方面则需要尽可能进行全面的测试，且确定实验结果是可重复的。对结果作必要的分析和解释，为什么在某个问题上表现强？为什么在某个问题上表现不足？

论文
论文则是把工作告诉同行，经过同行审评，成为科学文献。在写论文之前，就需要根据自己的工作水准，确定投稿目标，通常是导师帮助确定。

---

研究是一项创造性的任务，而在计算机科学领域撰写技术论文则不是。技术论文的撰写可以视作填写表格，只需要将正确的材料填入正确的位置。以下则总结了课堂中学习到的论文写作需要注意到的细节。当然，学习论文写作最好的方法就是阅读优秀的论文。论文使用latex编写，可以帮助省去很多复杂的操作。

1.标题

1)标题应该有足够的吸引力。其中应该包括新问题、新方法这两个重要的内容。
2)易于理解。无歧义。
3)易于搜索。流行的术语对以后论文的引用很有帮助
4)标题不能过长，40~60个字符。短标题的论文可能更具有突破性、新颖性，俗话说的”牛逼“。
5)避免使用 ”based on“ ，会使得论文看起来不够新颖。
6)新算法可以以算法缩写作为标题。

2.摘要（关键词）

摘要决定了读者是否会继续点开自己的论文。写好摘要是对增加自己论文吸引力尤为重要的一步。通常我们摘要都会遵循以下结构：

• 问题及其重要性
• 现存工作
• 现有工作的限制、缺陷
• 本文主要内容
• 算法的1、2、3方面
• 实验
• 结果
• 更高层次的贡献（可选）

其中，在对前人工作做评价时，不应该带有较强烈的批判性。
关键词数量为3~5个，除专业名词外，不应过长。注意关键词的排序，可以是字典顺序，也可以是领域大小顺序。
在摘要中就应该出现3至5个关键词。

3.引言

引言涵盖了整个故事的足够细节。 审稿人通常在阅读介绍后决定是否接受论文。
1)引言可以是对摘要的展开描述，每一句摘要都可以展开成为一段。
2)每段第一句话应该是总结性的句子，之后是对其的更详细的描述和解释。
3)每段话在50~150词之间。看情况合并较短的两段话。
4)直接在引言中展示算法图或者案例是一个比较受欢迎的方法。
5)最后一段介绍自己论文的结构。

4.相关工作

该部分可能在引言中介绍，也可能直接单独拿出来做讨论。相关工作部分可以按照如下方式撰写：
1)该问题研究的发展史
2)分流派：可以是数据类型的不同，也可以是实际应用的不同等等
3)按照自己的框架编写
无论是哪种方法，都需要对该领域进行较为全面的了解。但是，相关工作并非简单的描述，还需要找到它们的限制、缺陷，作出自己的评论。评论也需要有一定的针对性，最终目的是要让自己的研究内容出彩，也就是说，针对这些问题，我又有哪些进展和改进。

5.理论

从这一部分开始也就到了论文的主要内容。
理论部分（难）的主要任务是对问题和方法做定义。
需要注意数学定义的简洁、明确、完备、一致。

6.算法

算法一般是整个论文的中心。需要注意以下问题：
1)明确输入输出
2)对主要步骤的做必要的注释
3)篇幅控制在一页以内，15~30行，剔除不重要的步骤。
4)最多三个算法，一个主算法，两个子算法。不重要的子算法则应该剔除。
5)时间和空间复杂度分析是必要的。运用表格来表达更加正式。

7.实验

对于一些机器学习论文，实验部分占据了一半的篇幅。
1)数据集
要使得结果更有说服力：

• 使用更多不同领域的数据集。多数情况情况下，12 到 20 个数据集就足够了。
• 在更大的数据集上测试是有必要的。如样本有10000个实例，100个属性。
• 相同数据集下，与不同的算法（对没有源码的算法应该做实现）对比
• 展示结果选取图或者表的其中最合适的一种，没有必要重复展示

2)提问 -> 解答
可以对自己提出几个问题，实验部分则可以围绕这几个问题进行实验并论述，过程是：提问 -> 解答 -> 总结。

3)对比实验。
外部比较：对比更多的方案、数据集，会使得论文的结果更有说服力。实验时需要注意环境、数据的统一。
内部比较：对重要的参数做控制变量实验，显示参数对实验的影响。在机器学习中，有数据划分：训练集、验证集、测试集。训练集用于训练模型、验证集则用于验证训练集所得的参数是否正确，最后测试集合测试准确率。

8.结论及展望

和摘要不同，结论并非对摘要的重述，它应当落实到细节。
1)5句话足够。过长的总结应该增加讨论部分。
2)提出3~5点可以进一步研究的内容。开门比关门更重要。

9.参考文献

用过word来写论文的话，多半也体会过修改引用编号的恐惧。word虽然也能设置编号的动态变化，但是有更方便的方法：使用bib文件来进行文献管理。

---

通用的注意事项：

1. 注意用词的准确性。
2. 每个句子的长度不能超过15个单词，尽量使用简单句，这样会少很多错误。
3. 谷歌和自己的语言来回翻译，直到不变时，那么可能结果就收敛了。
4. 可以收集论文各个部分的句型，自己写论文时可以依样画葫芦。
5. 绘制图表时，一定要使用矢量图。
6. 学好离散数学，严格的数学表达式写法可以参考西瓜书。