Elsevier Researcher Academy学习How to get published in a journal?路节教授

Researcher Academy是顶级医学和科学学术出版社Elsevier开设的研究员学院。

最近听了一节How to get published in a journal?主讲人是Knowledge-based system期刊的主编Prof. Jie Lu, the Editor-in-Chief of Knowledge-Based Systems。路节教授是IEEE Fellow、IFSA Fellow、澳洲研究委员会桂冠院士、悉尼科技大学人工智能研究中心杰出教授。在2019年11月还去大连理工大学作报告,她的研究方向有一块也是推荐系统,新闻中说,路节教授首先就推荐系统的基本算法和应用做了介绍,然后结合悉尼科技大学人工智能研究中心DeSI实验室近10年关于推荐系统的研究,分享了推荐系统领域研究的十大进展:多准则协同过滤推荐系统、基于信任的推荐系统、基于社会网络的推荐系统、考虑标签的推荐系统、基于模糊集的推荐系统、基于树相似性的推荐系统、群推荐系统、交叉域推荐系统、考虑用户兴趣漂移的推荐系统和推荐系统可视化。最后,以商业合作伙伴推荐、电信行业套餐推荐、在线学习推荐等实际应用为背景,介绍了DeSI实验室所开发的实际推荐系统。

Knowledge-based system简称KBS,现在是中科院一区,主要接收跟AI相关的论文,要在AI技术上有创新。一般一个稿件有六个人处理,分别是主编Editor-in-Chief ,副主编Associate Editor,审稿人Reviewer3个,杂志管理员Manager。处理流程如下:

投稿注意事项:

1、一般一审返回结果后,要六个月才能重投,要有50%跟原来不同,也就是改动要大。

2、期刊接收率为15%-20%。

3、怎么找审稿人?一般是根据论文中的关键词去期刊的审稿人系统中找审稿人。

4、摘要一般150词左右,<200词,再多就不好了。一般包括为什么做这个研究?针对的问题是什么?创新点,方法,结果,结果的伟大意义6个方面。

4、引言:总结前人进展,还要有我的贡献部分,为什么我的模型好?我的实现细节,当然整体是我的工作少,别人的工作多。例如first time等词语谨慎使用。

5、方法:信息充足,解释详细,实验也要充分。实验中要多用公开的大型的数据集,进行详细全面的测试,方法尽量有普适性。

6、结果:能用图不用表格,不用重复显示。

7、摘要、引言、结论中一些话不要重复表示。

8、结论中实事求是,不要过分夸张。

9、Cover Letter:建议有,这是作者跟审稿人沟通的重要渠道,但是简单一些。主要表示没有一稿多投,发表文章没有限制。可以用有建议审稿人。开头可以直接是Dear Editor,不要写错名字。100词左右差不多。

10、KBS投稿没有长度要求,投稿前一定要看guide-for-authors,这个是随时更新的。https://www.elsevier.com/journals/knowledge-based-systems/0950-7051/guide-for-authors

11、路节教授一般周五、周六工作。

12、题目:X by/using Y tecnology for Z problem。就是几个词组。

课程地址:请大家在研讨会结束后在https://researcheracademy.elsevier.com/workshop/3cfae374-80df-4ec4-b7f3-dda7b25b67e8观看回放,谢谢!如果需要参与研讨会的证书请输入workshop code ZZUXRG (需要在Researcher Academy平台提前注册)。

### 学习 DeepSeek 技术指南 #### 选择合适的学习资源 对于希望深入了解 DeepSeek 的学习者来说,选择高质量的学习材料至关重要。教育工作者可以利用游戏化学习(GBL)资源来增强教学效果,这些资源不仅限于书籍和网站,还包括学术文章和研究论文[^1]。 #### 利用在线平台提升技能 研究人员可以通过像 Elsevier Researcher Academy 这样的免费电子学习平台获取支持,在这里能够找到关于撰写科研报告以及同行评审过程中的指导模块、网络研讨会、可下载指南等多种形式的内容[^2]。 #### 掌握机器人学与控制系统基础 理解机器人技术和控制系统的原理有助于更好地掌握 DeepSeek 中涉及的技术细节。这包括深入探讨数学模型、算法设计及其实际编码实现等方面的知识,并且还会接触到该领域内的一些工具软件及应用实例分析[^3]。 #### 关注元学习的发展趋势 随着机器学习技术的进步,特别是元学习方法的应用日益广泛,这对于提高模型泛化能力和减少特定任务所需的数据量有着重要意义。因此关注这一方向的研究进展同样有利于深化对 DeepSeek 架构的理解[^4]。 ```python # 示例代码用于展示如何加载预训练模型并进行推理操作 import deepseek as ds model = ds.load_model('pretrained_deepseek') input_data = prepare_input() # 准备输入数据函数需自行定义 output = model.predict(input_data) print(output) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值