确解决了这个问题，你的结业论文之路会轻松愉快许多。痛苦每年一到结业论文季，就可以看到朋侪圈里大学老师们「比惨大赛」。

单从老师角度看来，你会以为如今这些学生怎么变得这么太过？都已经到了惊心动魄的水平。可是如果你趴在学生的朋侪圈，那看到的就是另一番场景了。

那种诉苦，好像老师们一个个都是「周扒皮」一般。我不愿意去到场详细事例的争论。因为大部门群体其实都是正态漫衍。

「不需扬鞭自奋蹄」的学生固然有，可是也有佛系到放弃治疗的。老师自然也有「神龙见首不见尾」一直玩儿消失的，可是肯静下心来给学生认真领导修正，满纸都是红字的也不在少数。所以，拿苹果和橘子比，没有可比性。况且大规模的结业论文写作历程泛起问题，恐怕不能只根据个体特性来找原因吧？许多时候，问题并不是出在提交初稿的停止日期那几天（只管大家都默认「停止日期是第一生产力」），而是在选题的时候就注定了。

如果你选了一个不合适的题目，那么这后面一定是个悲剧或者闹剧。谁人题目，你没兴趣，基础做不进去；或者以你当前的水平，基础不行能做出来；更恐怖的，是题目自己就是个错误。想想看，一旦给你部署了错误的、不感兴趣的、超乎寻常难题的任务，你会怎么做？A. 咬牙做完B. 拖延到最后一刻C. 爽性放弃接待把你的选择在留言区告诉我。

但甭管你选的是哪个，这篇结业论文的写作都不会是一个愉快的历程了。选题要制止写作环节的大坑，你就需要在选题阶段充实下好功夫。究竟，你对什么题目感兴趣自己最清楚吧？不相同的情况下，指导教师凭什么未卜先知？一个好的题目，放到一个不合适的人那里，也是个糟糕的选择。

可是，你凭借兴趣选出来的题目，却未必合适。我之前在《什么样的开题陈诉会被毙掉？》一文中，给你提到过三种悲凉状况：没价值没须要不靠谱之后，我又在《如何与导师有效相同你的论文选题？》一文里，给你增补了该如何通过选题陈诉的模板，跟指导教师高效相同选题。不外不少读者和学生表现，仅仅通过这些原则的学习，还是难以有效应用到自己的选题中。于是，这次我想了个新措施。

案例措施就是把我给学生修正选题陈诉的样例，录了个视频教程。固然，为了能够帮你把一些观点厘清，也为了案例内里的内容可以更为通用，我讲得比平时给学生修正选题陈诉，越发细致一些。利益是这不仅可以资助你提高吸收的效率，也可以资助我自己节约时间。

我已经在本科结业论文指导群里发了这个视频，要求自己的学生看。在撰写选题陈诉的时候，不能再泛起视频内里已经列出和解说过的错误类型。批注的历程，如果只是把最后的大花脸效果反馈回去，还真不如视频解说来得生动、透彻和细腻。

这样一来，许多无用功，就可以省下了。因为言语的说教，比不上行动的示范。这里是视频的播放地址。希望你看后能把感受和疑问反馈给我。

后文部门，是给你温习用的。我把视频内里口语化的内容，用书面方式重新举行了梳理和调整。这样后面你回首温习的时候，就不需要把一段视频重新播放到尾了。

特别谢谢我院信管 17 级本科生李孟儒同学帮我转录文字版初稿。做得很认真。

谢谢！题目这个选题陈诉中题目为「基于深度神经网络的文娱类股票预测研究」。这个题目最大的问题就是太大。选题一定要做的小一些。

要做股票预测。预测什么？是预测它的存活时间？预测它的价钱变化？预测它的成交量的变化？……而且前面加了一个限定词“文娱类股票”，要看那里的文娱类股票？是研究美国的文娱类股票，英国的，还是在新加坡上市的？即便研究海内的股票市场，还分成了沪深两个市场对吧？这些你要研究的股票，在哪个板上市的？主板？创业板？新三板？要思量到种种各样的细分的选择，一定要记着细分。好比说，在深圳股票生意业务市场某个板的文娱类股票的价钱变化。

这个变化还包罗一个问题，就是要预测一个什么样的时间规模？是预测下一分钟？还是下一小时？下一天？下一个月？……这不是在做文字游戏，而是涉及到你的模型究竟有没有能力对它举行预测，它背后是要有科学的理论基础。举一个最简朴的例子，我们都知道天气预报。天气预报到底能预测多长时间？现在基本都是 3 天左右，至多一周。为什么是一周？为什么不直接预测一个月出来？因为凌驾一定的时间规模之后的预测基本上就跟扔硬币没什么区别。

那就不叫预测了，叫瞎猜。同样的，做价钱变化预测，首先应该把自己放到一个时间规模内里。

到底是做短期，中期，恒久，这个是一定要有分界的，不要把它混为一谈。适才讨论的是题目的后半部门，就是得把题目缩小。再看前半部门。

“基于”一般就是方法、模型、工具。这里“深度神经网络”原本可以当成模型，可是没有提到底是哪一种模型。深度神经网络模型是有若干种的。

一般做视觉，可以用 卷积神经网络（CNN）；做文本常用 循环神经网络（RNN） ， LSTM 这些架构。固然，不限于文本，类似于商品价钱、股票价钱等方面的预测，只要它是一个时间序列，都可以用循环神经网络（RNN 模型）。

厥后又泛起了 Transformers 等新的工具，例如 BERT，Roberta 等，都可以用于自然语言处置惩罚。现在一般文本的相关操作，不光是分类，上下文问答等一般都是 Transformers。这指的是一些大类，它有若干变种。

你看，深度神经网络有这么多的架构，你若不挑出来一个，就把它叫当成「模型」，这不行以。如同我近期在微信视频号内里讲的，选题时创新应该来自于哪？作为新手，最好让你的创新点来自于「上下文」。

如果把题目做得很大很笼统，便没措施在「上下文」跟别人有区别。认知差你这份文稿里，界说「认知差」为增加型。这不合适。一般增加型，是指没人研究过。

第一个提出来原子弹可以造的，叫增加型。因为之前谁也不知道这种可能性存在。可是你的问题里，有没有人用深度神经网络做过股票预测研究？凭据我适才在循环神经网络应用部门的形貌，你应该已经清楚——不仅有人做过，而且有许多人做过。

如果股票价钱预测准确率足够高，那么就会带来直接经济效益。因此有许多人实际上已经研究过它了，这时候你说是一个增加型，不行能。所以如果坚持继续这个研究偏向的话，你能做的就是实验在其中举行删减或者是革新。

再强调一下，「用一定的方法去预测股市的涨跌」这事儿有人已经提出。不管他提的解决方案对差池，或者效果好欠好，你对这个事儿的进一步研究，就一律都不能再叫做「增加型」认知差。

不要嫌我烦琐。论文内里，把认知差搞错了，你后面写作的时候，行文就会有显著区别。

要么你中途写不下去，要么就是写出一篇不切合实际的文章。这在学术界，是很是严重的隐讳。

特别是，当你的论文投稿或者送审的时候，如果落在了之前已经在这个偏向有建树的学者手中（或许率事件），你却说这个事儿之前没人研究过，你是第一个……自己掂量一下结果。所以，你得把注意力集中于能不能删减，能不能革新。这里回应一下前面的内容。

为什么要让你把题目弄得精致，进而「小题大做」？因为题目若是越大、越笼统，就越有可能跟别人重叠撞车。文献你对文献做了可视化分析，这很好。

可是一张漂亮的分析效果图，还是远远不够的。让你做这一部门的原因，是为了找 Gap。

所谓 Gap ，就是距离。有两种显着的表现。

假设这张图是整个文献漫衍的样子，在外面画一个圈套住已有研究，你研究的问题在圈外。那这个 Gap 很是显著，因为现有研究和你的目的之间没连线。如果画出来 Gap 是这样，有两种可能。一是你的运气很是好。

灯下黑，别人睁着大眼找，硬是没有看到这个低垂的果实。或者，另一种情况，很糟糕。这是一条基础就走不通的路。一般来说，后一种情况更常见。

因为你得明确，已经揭晓出论文的这些研究者，大部门都是履历富厚的专家。你一个新手都能看得见的 Gap ，他们看不到吗？所以，一般而言，你更应该关注下面这种类型的 Gap。

当我们发现有一个区域，周围都是很是的麋集，说明被别人往复探索。而唯独在这个区域里，泛起了一些很是稀疏的网，甚至在这个位置上毗连点都没有。这时候，你就可以思量在这个位置上，有没有可能通过上下文的交织，形成一个奇特的选题赛道。「众争勿往」，这句话很重要。

别随着他人一起凑热闹。你是新手，找好了赛道，没啥竞争你就可能直接胜出了。非要跟别人往大道上挤，不是没有可能「逆袭」，可是概率太低。或许率是给别人当分母，甚至爽性被碾压掉。

论证当你好不容易找到了某个 Gap 时，得把这个效果跟指导教师相同。否则你做论文还要导师干嘛？可是就如同我在《如何与导师有效相同你的论文选题？》一文里跟你提过的。

你必须自己先做验证。小学做数学题时，你应该就知道交卷之前得验算一遍了，对吧？首先你的问题变化了。这不是最初你体贴的谁人大问题，而是你找到的奇特赛道，它因为种种上下文的限制，肯定是个相对「小」的问题。

那么这个「小」问题是不是依然具有重要性？那可纷歧定，你得论证。你得论证出，这个小问题的解决，将直接促进大问题的推动。或者反过来，若是能够说明这个小问题是解决大问题的须要条件，那就更好了。其次是须要性。

一个工具重要，却未必须要。轮子很重要，没有轮子就不行能有车。可是「重复发现轮子」不须要。

因为轮子发现一次就够了。你得证明，在这样一个小的研究空间里，别人忽略了什么。补足别人忽略的那些工具，才是真正的须要性。

第三个是“靠谱”。想想看，一个小问题，它很重要，也很须要，可是别人又没把它做出来……会不会它自己从原理上就做不出来呢？例如永念头？联合你的选题来看。研究股票价钱预测，你的泉源数据是什么？如果泉源数据是凭据以往它的价钱历史，推测后面价钱变化。这个事儿是不是靠谱呢？看着 K 线图，你可能以为挺靠谱的。

可是不是这样。使用历史来预测未来，认为历史上泛起的事儿，未来就一定发生，这就是「看着后视镜开车」。例如说，你凭据去年某旅游公司的业绩预测其今年业绩，能成吗？黑天鹅，灰犀牛……种种外部因素的综互助用，使得我们不能臆想所有的变化都是一连的，都是根据原先的趋势来运行，进而叠加一些随机颠簸。

所以，真正的股票价钱预测实践，早已加入了许多外部信息。例如很多多少年前，就有人实验把 Twitter 数据加入，使用公共情感来预测走势。

效果未必何等完美，可是至少看起来比单一的凭据历史价钱预测未来价钱好许多。可是这样看起来，你得找几多外部数据灌进去啊？新闻、社交媒体、分析陈诉、公司通告……这似乎是彭博社的活儿吧？你一小我私家替它全干了？再说，即便有了上述全部数据，你也依然没有创新。因为别人都做了。

那你得在深度神经网络模型的架构上，有自己的变化和革新。这……似乎更不靠谱了吧？即便有了上述的数据和新的更巧妙的深度学习模型架构，你有那么多 GPU 帮你算吗？要靠谱啊。参考文献前面相关的分析效果，你倒是未必非得要用 Vosviewer，即便手绘也可以。

可是要注意数据和效果的对应性。你此时分析的泉源数据，就是参考文献。

这里你给出的文献分析效果图是英文的，但参考文献全是中文的。这怎么回事儿？参考文献应该是分析的数据泉源和支撑，泉源要扎实，分析也要扎实。固然，我这里并不是说，让你把所有的分析图都酿成中文。

如果某个领域，最前沿的结果在中文文献，你就找多中文文献；反之，如果最前沿的结果在外文文献，你也不应该忽略。以你的选题而言，深度神经网络模型研究，现在主流前沿的研究在英文期刊与集会上。所以还是得多找一些英文文献。

做文献分析，最好是能够综合起来，一起看。这样比力全面，尤其是制止忽略重要的文献。

研究方法研究方法环节，写的时候不要把「非研究方法」写上。例如说有的同学做了文献回首，就写「文献分析法」，要不得。

因为那是一个须要步骤，不是你文章主要的研究方法。有的同学写「实证研究方法」，这也差池，因为实证研究是一套方法论。

你详细用了什么方法？例如问卷观察？访谈？实验？仿真？数据挖掘？案例研究？……你做的研究，基于机械学习方法，那就写「机械学习」就好。最好稍微提一下，机械学习应用在了哪些主要环节上，以便让人一眼看出，你的研究方法和研究目的之间是否匹配。花样另外多说一句，我希望你后面再提交文稿时，直接提交 PDF 版本，因为 word 版本，是易于多人互助举行编辑。可是，如果希望别人在差别设备上打开，显示效果能够保持一致，制止泛起花样庞杂的误会。

PDF 会更好些。小结通过这份教程的学习，希望你相识以下几个选题中常见的问题及其应对方法。

首先是题目太大。太大的题目，往往都被别人触碰过，因此倒霉于你找到自己的奇特赛道，很容易被大牛碾压。其次是认知差定位不妥。

这会导致你的叙述，与真实的情况不切合，导致许多严重的问题。第三是选题验证不完整。一定要从「价值」、「须要性」与「靠谱水平」三个维度入手，说服你的指导教师。如果连自己都说服不了，那就改吧。

第四是参考文献不完整，不系统，特别是对前沿优质研究结果有重大遗漏。最后是列出的研究方法不切合规范。要实事求是，凭据实际情况针对性列出主要研究方法即可，不要为了数量多悦目，而随意添加。

接待你把寓目视频和阅读图文教程的收获，在留言区反馈给我。祝选题和论文希望顺利！。

本文来源：BOB官方网站-www.hmzxxx.com