|
科研选题与路 事不同而理同，科研选题类似选路，遥想当年，数据挖掘的概念刚刚“出笼”，从笼里出来的都是蒸（真）的。 R. Agrawal和 R. Srikant在1994年提出Aprior算法，（参见《一篇 "它引" 上万的大牛论文 与 数据血统论-- 趣味数据挖掘之三》 ），掀起了一股数据挖掘的潮流，这篇论文也被它引11480+次。现在，如果写一篇关于关联规则的论文，投稿到顶级会议或顶级杂志上，如果其中没有革命性的创新，是比较难被录用的，走这条路的人太多了，就似乎没有宽松的路。 当去挤做一个太热太热的题目时，撞车的概率比较大，你能想出的妙招，别人也可能想到，就像照片中吵闹的市场，叫卖相似产品的摊位可多了。简单的题目如可钓的鱼虾，旧领域上 可怜大地鱼虾尽，犹有垂杆老钓翁，于是，吵的和炒的也比较多了。 当一个概念处于“冰河期”时，犹如地上还完全没有路，选作题目，就需要眼光和勇气了;困难大、风险大，当然成功后的成果也大。未解决的经典问题,一般也是旧题，或热过气，重进冰河期的难题,不太适合学生执着地作，如哥德巴赫猜想，如 “P=NP？”;因为太难，因为已经有若干能人被证明出错而折戟沉沙，因为若干人宣称他们已经解决而正拥挤地等待承认，因为作为学生该学未学和急需学习的东西太多，因为现实的学位和安定的工作岗位，以及良好的身体是保证有柴可烧的青山。想走捷径的人以为解决难题可以一步登天，以为成本最低，其实不然。 与其把希望寄托在中彩票式的偶成，不如把兴趣留在心里，做为业余兴趣；也可以牛刀小试，在等火车、等飞机时思考，或可作为退休后燃烧激情的材料，但不宜轻易决定为之奉献青春。
当一个概念乍暖还寒，地上有了依稀的脚印，路还没有形成；选其作为研究方向是比较可行的。再选其中那种将热未热的题目作具体的任务，可能比较适合研究生；虽然荆棘多一些，路陡峭一些，能做出的创新点也多一些。 |
|
|
