【学术】分享几种论文写作神器，提高你的写作效率

【学术】分享几种论文写作神器，提高你的写作效率

本人在写论文的时候，用到了很多工具，可用说这些工具可以大大提高写论文的效率，本文分享下我常用的论文神器。（作者：黄海广）

本文介绍以下几种工具：

论文管理神器ZoteroOCR神器（公式识别等）Latex工具语法校对工具论文绘图工具

论文管理神器Zotero

一、Zotero简介

Zotero作为一款协助科研工作者收集、管理以及引用研究资源的免费软件，如今已被广泛使用。此篇使用说明主要分享引用研究资源功能，其中研究资源可以包括期刊、书籍等各类文献和网页、图片等。欢迎所有共同学习使用的朋友提供批评意见或补充使用经验。

-：apt-add-repository ppa:smathot/cogscinl # Say yes/press enter to accept any requests.$ sudo apt-get update# Wait for it to complete, then:$ sudo apt-get install zotero-standalone

二、新建分类

步骤：我的文库→右键→新建分类→输入名称→鼠标右键我的文库→出现新建文件夹

三、英文文献信息导入

步骤（非常简单）：

在新建目录下→鼠标拖入英文文献→右键重新抓取PDF文件的元数据→获取文献基本信息

备注：一些时间久远的英文论文也不能直接抓取数据，具体信息抓取方法参照第四部分中文文献的信息导入。

四、中文文献信息导入

步骤（稍复杂）：

1. 在Text目录下→鼠标拖入中文文献

3. 用记事本打开-好的.bib文件→复制全部内容

4. Zotero界面文件一栏→选择从剪贴板导入

5. 将PDF文件鼠标拖至刚导入文件成为其子文件→完成中文文献的信息抓取

五、插入文献

步骤：

六、寻找非默认引文格式

步骤：

七、使用坚果云同步文献

zotero只给了300m的空间，大概只能放80来篇文献的全文文件，如果文献较多就不能同步全文。注意：使用同步功能要先注册zotero账号。解决方法：使用坚果云：

坚果云官网:DOl Manager，它们可以自动-pdf，或者获取论文的DOI。

具体使用方法可以网上搜索获取。

OCR神器（公式识别等）

我发现了一个神奇的OCR工具：天若OCR，功能真的很好很强大。

免费版本可以识别图片文本，收费版本也不贵，59元一次性买个专业版，可以定义接口。

软件具有文本识别、翻译等功能，这些通用功能我就不展开说明了，我着重推荐两个功能：公式识别和表格识别。

公式识别

我之前推荐过公式的识别神器mathpix,真的很好用，但是免费的只有每个月50次，不够。

天若OCR可以设置mathpix的接口，mathpix接口一个月免费1000次识别，应该够了，注册的时候要绑定信用卡（注册过程要科学上网），识别效果：

原图片公式

识别后的公式，可以导出tex或者保存为word文件

表格识别

一般的OCR软件识别文字都问题不大，但是表格识别却是个问题，解决这个问题，这里推荐下腾讯优图的接口，目前每天200次识别免费。在天若OCR里配置好表格识别的接口为腾讯优图后，识别效果如下：

原始表格图片

识别表格效果

识别后的表格，可以直接导入到word：

导入word效果

天若还可以对三线表添加网格后进行识别，非常方便。

在线的latex编辑和编译工具：overleaf

论文最终展现出来的就是一个PDF格式的文档。

当然可以使用word，但光排版这件事情，就能耗费你一半的精力。

正确的答案是，使用latex，它是一个专业的排版工具，按照latex的语法进行写作，执行编译就能够得到PDF文件。它的语法包含了如何排版，虽然相比word上手要慢，但在排版这件事情上，入门级别的latex语法，你要达到精通word的水平。

latex如何使用呢？当然，要安装编译器，再安装编辑器，本地一通配置，偶尔会遇到些问题，凭着强大的谷歌搜索，倒也不是什么难事。配置本地环境，不如直接使用在线编辑器。

overleaf.com

注册即用，免去本地latex环境安装的痛苦。多人合作，共同编辑。富文本编辑模式，比写latex源码舒服些。随时可以完成在线编译，查看PDF。

按照overleaf的开始流程，有选择模板的过程，模板怎么选，还是要看投稿的期刊或者会议的要求。以KDD为例，在它的KDD 2019 Call for Research Papers页面上，给出了模板格式，看看能不能在overleaf上找到，即使没有，一会提供-，自己上传到overleaf。

走过这一步，已经可以编译出模板PDF了，可以照猫画虎地写起来了。

grammarly：语法纠错神器

​​install scikit-plot

即可完成安装。

仓库地址：

​​sklearn.datasets import load_digitsfrom sklearn.model_selection import train_test_splitfrom sklearn.naive_bayes import GaussianNBX, y = load_digits(return_X_y=True)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)nb = GaussianNB()nb.fit(X_train, y_train)predicted_probas = nb.predict_proba(X_test)# The magic happens hereimport matplotlib.pyplot as pltimport scikitplot as skpltskplt.metrics.plot_roc(y_test, predicted_probas)plt.show()

效果如图（相当高大上！）

图：ROC曲线

P-R曲线就是精确率precision vs 召回率recall 曲线，以recall作为横坐标轴，precision作为纵坐标轴。首先解释一下精确率和召回率。

import matplotlib.pyplot as pltfrom sklearn.naive_bayes import GaussianNBfrom sklearn.datasets import load_digits as load_dataimport scikitplot as skplt# Load datasetX, y = load_data(return_X_y=True)# Create classifier instance then fitnb = GaussianNB()nb.fit(X,y)# Get predicted probabilitiesy_probas = nb.predict_proba(X)skplt.metrics.plot_precision_recall_curve(y, y_probas, cmap='nipy_spectral')plt.show()

图：P-R曲线

混淆矩阵是分类的重要评价标准，下面代码是用随机森林对鸢尾花数据集进行分类，分类结果画一个归一化的混淆矩阵。

from sklearn.ensemble import RandomForestClassifierfrom sklearn.datasets import load_digits as load_datafrom sklearn.model_selection import cross_val_predictimport matplotlib.pyplot as pltimport scikitplot as skpltX, y = load_data(return_X_y=True)# Create an instance of the RandomForestClassifierclassifier = RandomForestClassifier()# Perform predictionspredictions = cross_val_predict(classifier, X, y)plot = skplt.metrics.plot_confusion_matrix(y, predictions, normalize=True)plt.show()

图：归一化混淆矩阵

其他图如学习曲线、特征重要性、聚类的肘点等等，都可以用几行代码搞定。

图：学习曲线、特征重要性

本章对Scikit-plot做下简单介绍，这是一个机器学习的画图神器，几行代码就能画出高大上的机器学习图，作者当年的博士论文也是靠这个画图的。仓库地址：

​​https://github.com/reiinakano/scikit-plot​​

里面有使用说明和样例。

参考

[1]：知乎：九老师

[2]：https://zotero.org

[3]：https://github.com/reiinakano/scikit-plot

总结

本文分享下我常用的论文工具，希望对读者写论文有所帮助，祝各位读者都能写出高大上的论文。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。