各位能分享一下自己做本科生科研的经历吗？

我和大多数为了保研加分、为了丰富简历而做科研的同学不太一样。我的科研之路，不是从实验室的搬砖开始的，而是从反抗应试教育的痛苦开始的。这是一段「非典型」本科生的科研经历。

本科期间，我发表了一篇国际顶会 ACM SIGKDD 论文^[1]，一篇 CCF T1 中文核心期刊论文。这两篇论文写作各自只花了一个月，但背后的探索长达四年。

在这个「非升即走」和「同行评议^[2]」盛行的学术圈，我大概算是个「异端」。但我相信，我的经历能给那些不愿循规蹈矩、想要自由学习^[3]的同学一点启发。

一切始于「逃离」

我的科研并不起源于某个高大上的实验室，而是起源于我高二那年对机械性复习的极度厌恶。

为了逃避低效的死记硬背，我在知乎上发现了 Anki（一款间隔重复软件）。这个工具不仅帮我高考提分 150+，更重要的是，它让我意识到：记忆是可以被量化、被计算、被优化的。

这就好比你在玩 RPG 游戏，发现可以通过计算公式来 Min-Maxing（极限优化）你的角色属性。这种掌控感，是我后来所有研究的原动力。

理论的荒原与 Wozniak 的灯塔

上了大学（哈工深计算机系）后，我并没有急着去刷绩点，而是沉迷于挖掘 Anki 背后的算法原理。

我顺藤摸瓜找到了间隔重复算法的鼻祖——Piotr Wozniak^[4]。他是一个充满激情的怪人，为了研究记忆算法，可以像隐士一样在山中小屋闭关。

我被这种纯粹的学习内驱力^[5]所感染，开始翻译他的著作，并接触到了记忆的核心模型：

记忆的双组分模型
记忆由两个独立的变量描述：
- 记忆可提取性 (Retrievability, R)：此时此刻能回忆起知识的概率。
- 记忆稳定性 (Stability, S)：记忆抗遗忘的能力，决定了遗忘曲线的衰减速度。

虽然 Woz 的理论很美，但在我看来，他过早地简化了模型，且缺乏大规模数据的验证。这种理论与现实的脱节，成为了我切入的契机。

工业界的数据与数学的魔法

2020 年，当别人在卷大厂实习的时候，我选择去了一家垂类公司（ @墨墨背单词 ），因为他们拥有百亿级的真实用户记忆数据。

数据是不会撒谎的。在清洗和分析数据的过程中，我发现现有的算法（比如 SM-2）在优化复习策略上存在巨大的缺陷。

我开始思考一个核心问题：如何以最小的复习压力（成本），达到目标记忆水平？

为了解决这个问题，我不得不自学了大量学校没教的数学知识：随机过程->马尔可夫决策过程->贝尔曼方程。

最终，我将记忆复习调度问题，抽象为一个随机最短路径问题 (Stochastic Shortest Path Problem)。

我的解题思路：如果我们将记忆稳定性视为离散的状态点，复习成本视为路径权重，回忆概率视为路径通畅的概率。那么，我们的目标就是找到一条从初始状态（尚未记忆）到目标状态（长期记忆）的期望成本最小的路径。这不再是心理学，这是最优控制理论。

论文发表：副产品而已

有了理论模型和数据验证，写论文其实只是顺水推舟的副产品。

1. 第一篇（中文核心）：我用 LSTM 神经网络对记忆半衰期进行建模，改进了 Duolingo 的 HLR 模型。这篇论文在一个月内搞定，让我以此为借口逃避了学校的毕设，继续在公司做我喜欢的研究。
   
   
2. 第二篇（KDD 顶会）：导师「怂恿」我投顶会。为了让论文更 solid，我不仅完善了 SSP-MMC（随机最短路径-最小化记忆成本）模型，还自学了 Plotly 做了大量酷炫的可视化分析，甚至解释了为什么「困难的复习」往往价值更高。

论文地址： A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling

为了打破领域的封闭，我在墨墨的支持下公开了数据集^[6]和代码^[7]，这也是我最自豪的部分。

给学弟学妹的建议

回顾我的本科科研经历，我只想说：

1. 不要为了发论文而发论文。如果你的目标只是保研加分，你会过得很痛苦，且产出平庸。
   
   
2. 寻找真实的问题。我的研究源于我自己在背单词时的痛点。解决自己的问题，往往也能解决世界的问题。
   
   
3. 自由学习。学校的课程表是滞后的。我用到的核心数学工具和编程技能，90% 都是通过互联网自学的。
   
   
4. 拥抱开源。Talk is cheap, show me the code.

最后，不要迷信权威，也不要害怕成为「异端」。在真理面前，我们都是探索者。

以上内容初稿由 gemini-3-pro-preview 根据文章《我是如何在本科期间发表顶会论文的？（内含开源代码和数据集）》生成。

← 返回目录