如果选择的题目不对的话，在三个月内你写代码就会变成一种体力活。
但是这件事可以挽救。不能直接说“我懂Python、懂Vue、有点深度学习的基础”，这样就会使问题变得很不清晰。计算机选题最大的忌讳，并不是技术不够新颖，而是题目本身没有毛病。
别从技术栈出发
人们在选择话题时第一反应是诚实而危险的。
会Java就去做管理系统的开发。
会YOLO就做目标检测吧。
会Flask的话就做一下平台。
听上去可以应付过去，但是当老师一提问时，检测什么、为什么要检测、和现有的方案相比有什么优势的时候就立刻被卡住了。
技术栈只决定了你能怎样做，但是不能决定你要去做什么。*
以“基于SpringBoot的图书管理系统的本科毕业设计”为例，“已经写得非常透彻”。并不是不可以这样做，而是要把它扭出一条实际的裂缝来。校园二手教材转赠、实验室设备预订、社团活动费用报销等小场景比较接地气，但是有真实的流程、人物、数据表格以及权限冲突。
于是马上有了一个题目的概念。
好的题目要有一个引子、一个转折和一个结果
我比较倾向于把计算机选题看作是三个方面的结合。
有真正的对象，并非空中飘着的“用户”
要有可以被证实的结果，并不是做完了一页就成功了
有技术上的难题但是不要难到半年都无法运行
**只要符合这三个条件就可以排除大部分题目了。 **
“大学生心理健康平台”很大，听上去也很正。但是如果改为“基于文本情绪识别的匿名倾诉风险提示系统”，那么对象就变成了一则匿名文本了，此时就可以用准确率、召回率、误报率来衡量了，技术上的难点也就落到了对中文字段进行分类以及对敏感词语错误判断上面去。
这才是符合计算机题目的风格。
一个好的选题不在于表面看上去有多高大上，而是在于别人听了之后会马上问下去：数据是从哪里来的？指标是怎么计算出来的？系统是如何运行的？
可以继续提问，这是好的事情。不问的话就麻烦了。
不要把题目的范围定得太大，否则就只能用来涂墙壁了
计算机专业的同学最容易出现的问题就是把自己的论文题目写成国家级项目的名称。
智慧医疗。
智能交通。
工业互联网安全。
这些都是很重要的，IEEE、ACM、CCF 的会议上每天都有很多人在做。但是学生项目的手里如果没有医院影像数据、路边传感器数据和工厂日志的话，就只能写出PPT式的工程了。内容很多但是主体部分很少。
实际上，题目小一些会比较保险。
“根据校园Wi-Fi日志来制作教学楼人流热度可视化的方案”要比“智慧校园大数据平台”的内容更容易实现一些。那么至少要你去处理时间戳、去匿名化、做热力图、找高峰时段。早上八点和晚上十点之间的数据是不一样的，在这里可以找到一些东西。
别嫌小。
计算机选题不是看谁嗓门大，而是看谁能把一个很小的问题给解决掉。*
数据来源于哪里决定了文章能否存活下去
有很多题因为数据而不能通过。
只有一张图片就去做图像识别了，是用百度随便下载下来的 200 张图片。做了个推荐系统的项目，并且没有用户的日志数据。做网络安全的时候，只能看到自己电脑上的一些包。到了中间阶段才意识到，模型不能训练出来、实验无法比较、论文也只能靠一些修饰性的词语来维持下去。
难看。真的难看。
在选择题目之前就询问数据，并不丢人。Kaggle、UCI Machine Learning Repository、GitHub上的公开数据集都可以让你了解别人是怎么来定义字段的。中任务可以参考CLUE、THUCNews，做代码相关的任务还可以参考CodeSearchNet。
但是公开的数据也有问题，过于干净、标准化了，和真实的业务之间隔了一层窗户纸。但是它总比不好的要好一些。
没有数据的话就换个题目。不要硬撑了。
评价标准需要早一些时候就写好
教程类项目爱用“实现了一个什么功能”，而研究类项目则偏爱“提升了某种效果”。两句都说不出所以然。
要事先想好怎样来证明它是有效的。
做分类的话要有一个准确率、一个召回率和一个F1。进行检索时可以看到Top-K命中率是多少。做一个系统的截图只是首页是不够的，还应该包括响应时间、并发用户数以及数据库表的设计等，即使使用JMeter对系统进行了100个虚拟用户的压测，也要比只说一句“性能良好”更有力一些。
有趣的是，指标也会反过来剪裁题目。
如果一个问题无法被评判，只能依靠老师的个人感觉来判断的话，那么这个题目就不太适合用在计算机上。计算机也可以有审美，但是最后还是要落脚到运行、比较和再现上来。
或者手工制作的展销会。
不要轻信新词的价值，能够顺利运行才是最重要的
大模型、知识图谱、联邦学习、区块链等词语非常吸引人。当 ChatGPT 出现的时候，很多人都想把自己的文章题目往“大模型的应用”上面靠。可以，但是不要把新的词语粘到老的问题上。
“基于大模型的学习助手”范围太大了。
“基于RAG的课程问答系统”比较窄一些。
再加上一层，《面向〈数据结构〉教材的RAG课程问答系统》就有了语料、范围和评价试题集。
问题就在于此，并不是没有人会技术，而是不愿意把范围缩小。认为题目的范围越小就越不高级。
反过来想想，老师们最担心的就是你的题目很小，并且你在第六周还配环境、第十周还在找数据、到十二周就开始熬夜写论文了。
那种痛苦，只有亲身经历的人才知道。
稳定一点的选题公式是这样的
不要把它当作一个模版来使用，而是作为一份检查表来使用就可以了。
加上对象、问题和解决方案以及评价标准。*
要具体的，比如“校园二手书交易记录”、“课程论坛提问文本”、“宿舍用电异常数据”。要有清晰的问题意识，比如分类、预测、检索、可视化和异常检测等。可以用到的方法有SpringBoot、LSTM、RAG、协同过滤等等。指标一定要能够实现，并且要达到一定的标准，如准确率、响应时间、点击率或者人工评分都可以。
组合起来就变成了这样一种情况。
校园二手书推荐系统是用到协同过滤技术的一种方式。
“面向课程论坛的重复问题检索系统”。
用电曲线来判断宿舍有没有不正常用电的情况。
没有轰动一时的事迹，但是可以写作、做事、答辩。
题目还要有点余地
选择课题并不是给自己的一个命令。题目如果过于饱满的话，在后面的每一个步骤中都要还上前面所欠下的债。题目留有余地，后期可以根据数据、进度和老师的反馈来修改。
先确定一个主要的功能，然后加上一些可选项来加以提高。主线为文本分类，增强方式就是用可视化的看板来展示。主线是推荐，加强的方式是采用冷启动策略。主线不能走通的话，总归还有个系统吧。如果跑通了的话，论文就多了一个加分项。
选题最好的状态就是你知道它很难但是也知道第一周要打开哪个文件夹。*
不要急于写出一个美观的标题来。
把数据来源、评价标准和最低可以运行的版本都列出来。纸上的三句话，在GitHub上翻一天也未必有效。
然后就去创建项目、新建立仓库，并且打上了第一版的commit。
别让三个月，白干。
