发布时间：
XGBoost参数调优完全指南（附Python代码）译注：文内提供的代码和运行结果有一定差异，可以从这里完整代码对照参考。另外，我自己跟着教程做的时候，发现我的库无法解析字符串类型的特征，所以只用其中一部分特征做的，具体数值跟文章中不一样，反而可以帮助理解文章。所以大家其实也可以小小修改一下代码，不一定要完全跟着教程做~ ^0^需要提前安装好的库：简介如果你的预测模型表现得有些不尽如人意，那就用XGBoost吧。XGBoost算法现在已经成为很多数据工程师的重要武器。它是一种十分精致的算法，可以处理各种不规则的数据。构造一个使用XGBoost的模型十分简单。但是，提高这个模型的表现就有些困难(至少我觉得十分纠结)。这个算法使用了好几个参数。所以为了提高模型的表现，参数的调整十分必要。在解决实际问题的时候，有些问题是很难回答的——你需要调整哪些参数？这些参数要调到什么值，才能达到理想的输出？这篇文章最适合刚刚接触XGBoost的人阅读。在这篇文章中，我们会学到参数调优的技巧，以及XGboost相关的一些有用的知识。以及，我们会用Python在一个数据集上实践一下这个算法。你需要知道的XGBoost(eXtreme Gradient Boosting)是Gradient Boosting算法的一个优化的版本。特别鸣谢：我个人十分感谢Mr Sudalai Rajkumar (aka SRK)大神的支持，目前他在AV Rank中位列第二。如果没有他的帮助，就没有这篇文章。在他的帮助下，我们才能给无数的数据科学家指点迷津。给他一个大大的赞！内容列表1、XGBoost的优势2、理解XGBoost的参数3、调整参数(含示例)1、XGBoost的优势XGBoost算法可以给预测模型带来能力的提升。当我对它的表现有更多了解的时候，当我对它的高准确率背后的原理有更多了解的时候，我发现它具有很多优势：1、正则化标准GBM的实现没有像XGBoost这样的正则化步骤。正则化对减少过拟合也是有帮助的。 实际上，XGBoost以“正则化提升(regularized boosting)”技术而闻名。2、并行处理XGBoost可以实现并行处理，相比GBM有了速度的飞跃。 不过，众所周知，Boosting算法是顺序处理的，它怎么可能并行呢？每一课树的构造都依赖于前一棵树，那具体是什么让我们能用多核处理器去构造一个树呢？我希望你理解了这句话的意思。 XGBoost 也支持Hadoop实现。3、高度的灵活性XGBoost 允许用户定义自定义优化目标和评价标准 它对模型增加了一个全新的维度，所以我们的处理不会受到任何限制。4、缺失值处理XGBoost内置处理缺失值的规则。 用户需要提供一个和其它样本不同的值，然后把它作为一个参数传进去，以此来作为缺失值的取值。XGBoost在不同节点遇到缺失值时采用不同的处理方法，并且会学习未来遇到缺失值时的处理方法。5、剪枝当分裂时遇到一个负损失时，GBM会停止分裂。因此GBM实际上是一个贪心算法。 XGBoost会一直分裂到指定的最大深度(max_depth)，然后回过头来剪枝。如果某个节点之后不再有正值，它会去除这个分裂。 这种做法的优点，当一个负损失（如-2）后面有个正损失（如+10）的时候，就显现出来了。GBM会在-2处停下来，因为它遇到了一个负值。但是XGBoost会继续分裂，然后发现这两个分裂综合起来会得到+8，因此会保留这两个分裂。6、内置交叉验证XGBoost允许在每一轮boosting迭代中使用交叉验证。因此，可以方便地获得最优boosting迭代次数。 而GBM使用网格搜索，只能检测有限个值。7、在已有的模型基础上继续XGBoost可以在上一轮的结果上继续训练。这个特性在某些特定的应用上是一个巨大的优势。 sklearn中的GBM的实现也有这个功能，两种算法在这一点上是一致的。相信你已经对XGBoost强大的功能有了点概念。注意这是我自己总结出来的几点，你如果有更多的想法，尽管在下面评论指出，我会更新这个列表的！2、XGBoost的参数XGBoost的作者把所有的参数分成了三类：1、通用参数：宏观函数控制。2、Booster参数：控制每一步的booster(tree/regression)。3、学习目标参数：控制训练目标的表现。在这里我会类比GBM来讲解，所以作为一种基础知识。通用参数这些参数用来控制XGBoost的宏观功能。1、booster[默认gbtree]选择每次迭代的模型，有两种选择：gbtree：基于树的模型gbliner：线性模型2、silent[默认0]当这个参数值为1时，静默模式开启，不会输出任何信息。 一般这个参数就保持默认的0，因为这样能帮我们更好地理解模型。3、nthread[默认值为最大可能的线程数]这个参数用来进行多线程控制，应当输入系统的核数。 如果你希望使用CPU全部的核，那就不要输入这个参数，算法会自动检测它。还有两个参数，XGBoost会自动设置，目前你不用管它。接下来咱们一起看booster参数。booster参数尽管有两种booster可供选择，我这里只介绍tree booster，因为它的表现远远胜过linear booster，所以linear booster很少用到。1、eta[默认]和GBM中的 learning rate 参数类似。 通过减少每一步的权重，可以提高模型的鲁棒性。 典型值为。2、min_child_weight[默认1]决定最小叶子节点样本权重和。 和GBM的 min_child_leaf 参数类似，但不完全一样。XGBoost的这个参数是最小样本权重的和，而GBM参数是最小样本总数。 这个参数用于避免过拟合。当它的值较大时，可以避免模型学习到局部的特殊样本。 但是如果这个值过高，会导致欠拟合。这个参数需要使用CV来调整。3、max_depth[默认6]和GBM中的参数相同，这个值为树的最大深度。 这个值也是用来避免过拟合的。max_depth越大，模型会学到更具体更局部的样本。 需要使用CV函数来进行调优。 典型值：3-104、max_leaf_nodes树上最大的节点或叶子的数量。 可以替代max_depth的作用。因为如果生成的是二叉树，一个深度为n的树最多生成n2个叶子。 如果定义了这个参数，GBM会忽略max_depth参数。5、gamma[默认0]在节点分裂时，只有分裂后损失函数的值下降了，才会分裂这个节点。Gamma指定了节点分裂所需的最小损失函数下降值。 这个参数的值越大，算法越保守。这个参数的值和损失函数息息相关，所以是需要调整的。6、max_delta_step[默认0]这参数限制每棵树权重改变的最大步长。如果这个参数的值为0，那就意味着没有约束。如果它被赋予了某个正值，那么它会让这个算法更加保守。 通常，这个参数不需要设置。但是当各类别的样本十分不平衡时，它对逻辑回归是很有帮助的。 这个参数一般用不到，但是你可以挖掘出来它更多的用处。7、subsample[默认1]和GBM中的subsample参数一模一样。这个参数控制对于每棵树，随机采样的比例。 减小这个参数的值，算法会更加保守，避免过拟合。但是，如果这个值设置得过小，它可能会导致欠拟合。 典型值：、colsample_bytree[默认1]和GBM里面的max_features参数类似。用来控制每棵随机采样的列数的占比(每一列是一个特征)。 典型值：、colsample_bylevel[默认1]用来控制树的每一级的每一次分裂，对列数的采样的占比。 我个人一般不太用这个参数，因为subsample参数和colsample_bytree参数可以起到相同的作用。但是如果感兴趣，可以挖掘这个参数更多的用处。10、lambda[默认1]权重的L2正则化项。(和Ridge regression类似)。 这个参数是用来控制XGBoost的正则化部分的。虽然大部分数据科学家很少用到这个参数，但是这个参数在减少过拟合上还是可以挖掘出更多用处的。11、alpha[默认1]权重的L1正则化项。(和Lasso regression类似)。 可以应用在很高维度的情况下，使得算法的速度更快。12、scale_pos_weight[默认1]在各类别样本十分不平衡时，把这个参数设定为一个正值，可以使算法更快收敛。学习目标参数这个参数用来控制理想的优化目标和每一步结果的度量方法。1、objective[默认reg:linear]这个参数定义需要被最小化的损失函数。最常用的值有：binary:logistic 二分类的逻辑回归，返回预测的概率(不是类别)。 multi:softmax 使用softmax的多分类器，返回预测的类别(不是概率)。在这种情况下，你还需要多设一个参数：num_class(类别数目)。 multi:softprob 和multi:softmax参数一样，但是返回的是每个数据属于各个类别的概率。2、eval_metric[默认值取决于objective参数的取值]对于有效数据的度量方法。 对于回归问题，默认值是rmse，对于分类问题，默认值是error。 典型值有：rmse 均方根误差(∑Ni=1?2N??????√) mae 平均绝对误差(∑Ni=1|?|N) logloss 负对数似然函数值 error 二分类错误率(阈值为) merror 多分类错误率 mlogloss 多分类logloss损失函数 auc 曲线下面积3、seed(默认0)随机数的种子 设置它可以复现随机数据的结果，也可以用于调整参数如果你之前用的是Scikit-learn,你可能不太熟悉这些参数。但是有个好消息，python的XGBoost模块有一个sklearn包，XGBClassifier。这个包中的参数是按sklearn风格命名的。会改变的函数名是：1、eta ->learning_rate2、lambda->reg_lambda3、alpha->reg_alpha你肯定在疑惑为啥咱们没有介绍和GBM中的’n_estimators’类似的参数。XGBClassifier中确实有一个类似的参数，但是，是在标准XGBoost实现中调用拟合函数时，把它作为’num_boosting_rounds’参数传入。调整参数(含示例)我已经对这些数据进行了一些处理：City变量，因为类别太多，所以删掉了一些类别。 DOB变量换算成年龄，并删除了一些数据。 增加了 EMI_Loan_Submitted_Missing 变量。如果EMI_Loan_Submitted变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的EMI_Loan_Submitted变量。 EmployerName变量，因为类别太多，所以删掉了一些类别。 因为Existing_EMI变量只有111个值缺失，所以缺失值补充为中位数0。 增加了 Interest_Rate_Missing 变量。如果Interest_Rate变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的Interest_Rate变量。 删除了Lead_Creation_Date，从直觉上这个特征就对最终结果没什么帮助。 Loan_Amount_Applied, Loan_Tenure_Applied 两个变量的缺项用中位数补足。 增加了 Loan_Amount_Submitted_Missing 变量。如果Loan_Amount_Submitted变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的Loan_Amount_Submitted变量。 增加了 Loan_Tenure_Submitted_Missing 变量。如果 Loan_Tenure_Submitted 变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的 Loan_Tenure_Submitted 变量。 删除了LoggedIn, Salary_Account 两个变量 增加了 Processing_Fee_Missing 变量。如果 Processing_Fee 变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的 Processing_Fee 变量。 Source前两位不变，其它分成不同的类别。 进行了量化和独热编码(一位有效编码)。如果你有原始数据，可以从资源库里面data_preparation的Ipython notebook 文件，然后自己过一遍这些步骤。首先，import必要的库，然后加载数据。#Import libraries:import pandas as pdimport numpy as npimport xgboost as xgbfrom import XGBClassifierfrom sklearn import cross_validation, metrics #Additional scklearn functionsfrom import GridSearchCV #Perforing grid searchimport as plt%matplotlib inlinefrom import rcParamsrcParams[''] = 12, 4train = ('')target = 'Disbursed'IDcol = 'ID'注意我import了两种XGBoost：xgb - 直接引用xgboost。接下来会用到其中的“cv”函数。 XGBClassifier - 是xgboost的sklearn包。这个包允许我们像GBM一样使用Grid Search 和并行处理。在向下进行之前，我们先定义一个函数，它可以帮助我们建立XGBoost models 并进行交叉验证。好消息是你可以直接用下面的函数，以后再自己的models中也可以使用它。def modelfit(alg, dtrain, predictors,useTrainCV=True, cv_folds=5, early_stopping_rounds=50):if useTrainCV:xgb_param = ()xgtrain = (dtrain[predictors].values, label=dtrain[target].values)cvresult = (xgb_param, xgtrain, num_boost_round=()['n_estimators'], nfold=cv_folds,metrics='auc', early_stopping_rounds=early_stopping_rounds, show_progress=False)(n_estimators=[0])#Fit the algorithm on the (dtrain[predictors], dtrain['Disbursed'],eval_metric='auc')#Predict training set:dtrain_predictions = (dtrain[predictors])dtrain_predprob = (dtrain[predictors])[:,1]#Print model report:print "\nModel Report"print "Accuracy : %.4g" % (dtrain['Disbursed'].values, dtrain_predictions)print "AUC Score (Train): %f" % (dtrain['Disbursed'], dtrain_predprob)feat_imp = (().get_fscore()).sort_values(ascending=False)(kind='bar', title='Feature Importances')('Feature Importance Score')这个函数和GBM中使用的有些许不同。不过本文章的重点是讲解重要的概念，而不是写代码。如果哪里有不理解的地方，请在下面评论，不要有压力。注意xgboost的sklearn包没有“feature_importance”这个量度，但是get_fscore()函数有相同的功能。参数调优的一般方法。我们会使用和GBM中相似的方法。需要进行如下步骤：选择较高的学习速率(learning rate)。一般情况下，学习速率的值为。但是，对于不同的问题，理想的学习速率有时候会在到之间波动。选择对应于此学习速率的理想决策树数量。XGBoost有一个很有用的函数“cv”，这个函数可以在每一次迭代中使用交叉验证，并返回理想的决策树数量。2. 对于给定的学习速率和决策树数量，进行决策树特定参数调优(max_depth, min_child_weight, gamma, subsample, colsample_bytree)。在确定一棵树的过程中，我们可以选择不同的参数，待会儿我会举例说明。3. xgboost的正则化参数的调优。(lambda, alpha)。这些参数可以降低模型的复杂度，从而提高模型的表现。4. 降低学习速率，确定理想参数。咱们一起详细地一步步进行这些操作。第一步：确定学习速率和tree_based 参数调优的估计器数目。为了确定boosting 参数，我们要先给其它参数一个初始值。咱们先按如下方法取值：1、max_depth = 5 :这个参数的取值最好在3-10之间。我选的起始值为5，但是你也可以选择其它的值。起始值在4-6之间都是不错的选择。2、min_child_weight = 1:在这里选了一个比较小的值，因为这是一个极不平衡的分类问题。因此，某些叶子节点下的值会比较小。3、gamma = 0: 起始值也可以选其它比较小的值，在到之间就可以。这个参数后继也是要调整的。4、subsample,colsample_bytree = : 这个是最常见的初始值了。典型值的范围在之间。5、scale_pos_weight = 1: 这个值是因为类别十分不平衡。注意哦，上面这些参数的值只是一个初始的估计值，后继需要调优。这里把学习速率就设成默认的。然后用xgboost中的cv函数来确定最佳的决策树数量。前文中的函数可以完成这个工作。#Choose all predictors except target IDcolspredictors = [x for x in if x not in [target,IDcol]]xgb1 = XGBClassifier(learning_rate = 'binary:logistic',nthread=4,scale_pos_weight=1,seed=27)modelfit(xgb1, train, predictors)从输出结果可以看出，在学习速率为时，理想的决策树数目是140。这个数字对你而言可能比较高，当然这也取决于你的系统的性能。注意：在AUC(test)这里你可以看到测试集的AUC值。但是如果你在自己的系统上运行这些命令，并不会出现这个值。因为数据并不公开。这里提供的值仅供参考。生成这个值的代码部分已经被删掉了。<喎?"/kf/ware/vc/" target="_blank" class="keylink">vcD4NCjwvYmxvY2txdW90ZT4NCjxoMSBpZD0="第二步-maxdepth-和-minweight-参数调优">第二步： max_depth 和 min_weight 参数调优我们先对这两个参数调优，是因为它们对最终结果有很大的影响。首先，我们先大范围地粗调参数，然后再小范围地微调。注意：在这一节我会进行高负荷的栅格搜索(grid search)，这个过程大约需要15-30分钟甚至更久，具体取决于你系统的性能。你也可以根据自己系统的性能选择不同的值。param_test1 = {'max_depth':range(3,10,2),'min_child_weight':range(1,6,2)}gsearch1 = GridSearchCV(estimator = XGBClassifier( learning_rate =, n_estimators=140, max_depth=5,min_child_weight=1, gamma=0, subsample=, colsample_bytree= 'binary:logistic', nthread=4, scale_pos_weight=1, seed=27), param_grid = param_test1, scoring='roc_auc',n_jobs=4,iid=False, cv=5)(train[predictors],train[target]), ,
前言： xgboost是大规模并行boosted tree的工具，它是目前最快最好的开源boosted tree工具包，比常见的工具包快10倍以上。在数据科学方面，有大量kaggle选手选用它进行数据挖掘比赛，其中包括两个以上kaggle比赛的夺冠方案。在工业界规模方面，xgboost的分布式版本有广泛的可移植性，支持在YARN, MPI, Sungrid Engine等各个平台上面运行，并且保留了单机并行版本的各种优化，使得它可以很好地解决于工业界规模的问题。 花了几天时间粗略地看完了xgboost原论文和作者的slide讲解，仅仅是入门入门入门笔记。给我的感觉就是xgboost算法比较复杂，针对传统GBDT算法做了很多细节改进，包括损失函数、正则化、切分点查找算法优化、稀疏感知算法、并行化算法设计等等。本文主要介绍xgboost基本原理以及与传统gbdt算法对比总结，后续会基于Python版本做了一些实战调参试验。想详细学习xgboost算法原理建议通读作者原始论文与slide讲解。 相关文献资料： Xgboost Slides XGBoost中文版原理介绍 原始论文XGBoost: A Scalable Tree Boosting System XGBoost Parameters (official guide) 精彩博文： XGBoost浅入浅出——wepon xgboost: 速度快效果好的boosting模型 Complete Guide to Parameter Tuning in XGBoost (with codes in Python) 一、xgboost基本原理介绍 1.提升方法是一种非常有效的机器学习方法，在前几篇笔记中介绍了提升树与GBDT基本原理，xgboost（eXtreme Gradient Boosting）可以说是提升方法的完全加强版本。xgboost算法在各大比赛中展现了强大的威力，引用原论文中的一段描述： The impact of the system has been widely recognized in a number of machine learning and data mining challenges. Take the challenges hosted by the machine learning competition site Kaggle for example. Among the 29 challenge winning solutions published at Kaggle’s blog during 2015, 17 solutions used XGBoost. Among these solutions, eight solely used XGBoost to train the model,while most others combined XGBoost with neural nets in ensembles. For comparison, the second most popular method,deep neural nets, was used in 11 solutions. The success of the system was also witnessed in KDDCup 2015, where XGBoost was used by every winning team in the , the winning teams reported that ensemble methods outperform a well-configured XGBoost by only a small amount. Tree and Ensemble (What are we Learning，得到学习目标) （1）.Regression Tree (CART)回归树 （2）.Regression Tree Ensemble 回归树集成 在上面的例子中，我们用两棵树来进行预测。我们对于每个样本的预测结果就是每棵树预测分数的和。 （3）.Objective for Tree Ensemble 得到学习目标函数 这里是构造一个目标函数，然后我们要做的就是去尝试优化这个目标函数。读到这里，感觉与gbdt好像没有什么区别，确实如此，不过在后面就能看到他们的不同了（构造（学习）模型参数）。 Boosting (How do we Learn，如何学习) （1）.So How do we Learn? 目标函数： （2）.Additive Training（3）.Taylor Expansion Approximation of Loss 泰勒近似展开把平方损失函数的一二次项带入原目标函数，你会发现与之前那张ppt的损失函数是一致的 （4）.Our New Goal 得到新的学习目标函数 从这里就可以看出xgboost的特点了，目标函数保留了泰勒展开的二次项。 （5）.Refine the definition of tree 重新定义每棵树（6）.Define the Complexity of Tree 树的复杂度项从图中可以看出，xgboost算法中对树的复杂度项增加了一个L2正则化项，针对每个叶结点的得分增加L2平滑，目的也是为了避免过拟合。 （7）.Revisit the Objectives （8）.The Structure Score 这个score你可以理解成类似于信息增益的一个指标，在切分点查找算法中用到。 （9）切分点查找算法（贪心算法） 上图中G都是各自区域内的gi总和，此外，作者针对算法设计对特征进行了排序，有兴趣的可以阅读原始论文，这里不做详解。二、xgboost特点（与gbdt对比） 说明一下：这部分内容参考了知乎上的一个问答—机器学习算法中GBDT和XGBOOST的区别有哪些？，答主是wepon大神，根据他的总结我自己做了一理解和补充。 1.传统GBDT以CART作为基分类器，xgboost还支持线性分类器，这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。 —可以通过booster [default=gbtree]设置参数:gbtree: tree-based models/gblinear: linear models 2.传统GBDT在优化时只用到一阶导数信息，xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数。顺便提一下，xgboost工具支持自定义代价函数，只要函数可一阶和二阶求导。 —对损失函数做了改进（泰勒展开，一阶信息g和二阶信息h,上一章节有做介绍） 在代价函数里加入了正则项，用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和。从Bias-variance tradeoff角度来讲，正则项降低了模型variance，使学习出来的模型更加简单，防止过拟合，这也是xgboost优于传统GBDT的一个特性 —正则化包括了两个部分，都是为了防止过拟合，剪枝是都有的，叶子结点输出L2平滑是新增的。 and column subsampling —还是为了防止过拟合，论文节有介绍，这里答主已概括的非常到位 （1）shrinkage缩减类似于学习速率，在每一步tree boosting之后增加了一个参数n（权重），通过这种方式来减小每棵树的影响力，给后面的树提供空间去优化模型。 （2）column subsampling列(特征)抽样，说是从随机森林那边学习来的，防止过拟合的效果比传统的行抽样还好（行抽样功能也有），并且有利于后面提到的并行化处理算法。 finding algorithms(划分点查找算法)：—理解的还不够透彻，需要进一步学习 （1）exact greedy algorithm—贪心算法获取最优切分点 （2）approximate algorithm— 近似算法，提出了候选分割点概念，先通过直方图算法获得候选分割点的分布情况，然后根据候选分割点将连续的特征信息映射到不同的buckets中，并统计汇总信息。详细见论文节 （3）Weighted Quantile Sketch—分布式加权直方图算法，论文节 这里的算法（2）、（3）是为了解决数据无法一次载入内存或者在分布式情况下算法（1）效率低的问题，以下引用的还是wepon大神的总结： 可并行的近似直方图算法。树节点在进行分裂时，我们需要计算每个特征的每个分割点对应的增益，即用贪心法枚举所有可能的分割点。当数据无法一次载入内存或者在分布式情况下，贪心算法效率就会变得很低，所以xgboost还提出了一种可并行的近似直方图算法，用于高效地生成候选的分割点。 6.对缺失值的处理。对于特征的值有缺失的样本，xgboost可以自动学习出它的分裂方向。 —稀疏感知算法，论文节，Algorithm 3: Sparsity-aware Split Finding Cross-Validation（内置交叉验证) XGBoost allows user to run a cross-validation at each iteration of the boosting process and thus it is easy to get the exact optimum number of boosting iterations in a single run. This is unlike GBM where we have to run a grid-search and only a limited values can be tested. on Existing Model（接着已有模型学习） User can start training an XGBoost model from its last iteration of previous run. This can be of significant advantage in certain specific applications. GBM implementation of sklearn also has this feature so they are even on this point. Flexibility（高灵活性） **XGBoost allow users to define custom optimization objectives and evaluation criteria. This adds a whole new dimension to the model and there is no limit to what we can do.** 10.并行化处理 —系统设计模块,块结构设计等 xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的？注意xgboost的并行不是tree粒度的并行，xgboost也是一次迭代完才能进行下一次迭代的（第t次迭代的代价函数里包含了前面t-1次迭代的预测值）。xgboost的并行是在特征粒度上的。我们知道，决策树的学习最耗时的一个步骤就是对特征的值进行排序（因为要确定最佳分割点），xgboost在训练之前，预先对数据进行了排序，然后保存为block结构，后面的迭代中重复地使用这个结构，大大减小计算量。这个block结构也使得并行成为了可能，在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的那个特征去做分裂，那么各个特征的增益计算就可以开多线程进行。 此外xgboost还设计了高速缓存压缩感知算法，这是系统设计模块的效率提升。 当梯度统计不适合于处理器高速缓存和高速缓存丢失时，会大大减慢切分点查找算法的速度。 （1）针对 exact greedy algorithm采用缓存感知预取算法 （2）针对 approximate algorithms选择合适的块大小 我觉得关于xgboost并行化设计仅仅从论文PPT博客上学习是远远不够的，有时间还要从代码层面去学习分布式 xgboost的设计理念。 三、xgboost参数详解 官方参数介绍看这里： Parameters (official guide) General Parameters（常规参数） [default=gbtree]：选择基分类器，gbtree: tree-based models/gblinear: linear models [default=0]:设置成1则没有运行信息输出，最好是设置为0. [default to maximum number of threads available if not set]：线程数 Booster Parameters（模型参数） [default=]:shrinkage参数，用于更新叶子节点权重时，乘以该系数，避免步长过大。参数值越大，越可能无法收敛。把学习率 eta 设置的小一些，小学习率可以使得后面的学习更加仔细。 [default=1]:这个参数默认是 1，是每个叶子里面 h 的和至少是多少，对正负样本不均衡时的 0-1 分类而言，假设 h 在 附近，min_child_weight 为 1 意味着叶子节点中最少需要包含 100 个样本。这个参数非常影响结果，控制叶子节点中二阶导的和的最小值，该参数值越小，越容易 overfitting。 [default=6]: 每颗树的最大深度，树高越深，越容易过拟合。 :最大叶结点数，与max_depth作用有点重合。 [default=0]：后剪枝时，用于控制是否后剪枝的参数。 [default=0]：这个参数在更新步骤中起作用，如果取0表示没有约束，如果取正值则使得更新步骤更加保守。可以防止做太大的更新步子，使更新更加平缓。 [default=1]：样本随机采样，较低的值使得算法更加保守，防止过拟合，但是太小的值也会造成欠拟合。 [default=1]：列采样，对每棵树的生成用的特征进行列采样.一般设置为： [default=1]：控制模型复杂度的权重值的L2正则化项参数，参数越大，模型越不容易过拟合。 [default=0]:控制模型复杂程度的权重值的 L1 正则项参数，参数值越大，模型越不容易过拟合。 [default=1]：如果取值大于0的话，在类别样本不平衡的情况下有助于快速收敛。 Learning Task Parameters（学习任务参数） [default=reg:linear]：定义最小化损失函数类型，常用参数： binary:logistic –logistic regression for binary classification, returns predicted probability (not class) multi:softmax –multiclass classification using the softmax objective, returns predicted class (not probabilities) you also need to set an additional num_class (number of classes) parameter defining the number of unique classes multi:softprob –same as softmax, but returns predicted probability of each data point belonging to each class. [ default according to objective ]： The metric to be used for validation data. The default values are rmse for regression and error for classification. Typical values are: rmse – root mean square error mae – mean absolute error logloss – negative log-likelihood error – Binary classification error rate ( threshold) merror – Multiclass classification error rate mlogloss – Multiclass logloss auc: Area under the curve [default=0]： The random number seed. 随机种子，用于产生可复现的结果 Can be used for generating reproducible results and also for parameter tuning. 注意: Python sklearn style参数名会有所变化 eta –> learning_rate lambda –> reg_lambda alpha –> reg_alpha 四、实战 官方样例： XGBoost Python API Reference (official guide) XGBoost Demo Codes (xgboost GitHub repository) xgboost参数设置代码示例：
XGBoost参数
XGBoost的参数可以分为三种类型：通用参数、booster参数以及学习目标参数
模型有三个层次：
第一个层次，简单的图表和指标，一般的问卷调查结果的展示都会采取这种方式，生动形象。
第二个层次，描述性统计，分析数据分布特征。
第三个层次，计量分析，建立模型。而计量分析又可以分为几个层次，第一层次是简单回归，包括双变量、多元回归，基本计量问题（共线性、异方差、自相关）的处理。
第二层次更专业点儿，包括模型设定误差检验与模型修正、特殊数据类型（时间序列、虚拟变量、面板数据等）的模型选择和处理、联立方程、VEC模型、VAR模型、条件异方差模型等；第三层次包括有序因变量、面板VAR、神经网络、分位数模型、季节调整模型等等。模型，建立一套研究范式，然后按此模型进行研究。
选题与预估计
问题1：暂定一个题目（包括研究对象、研究问题、拟使用的理论或方法等方面，可使用副标题，副标题一般指向研究方法或研究角度）。
问题2：给出研究目标与研究问题，并初步进行回答（研究之前必须要有预设的初步结论。所谓“实证分析”，可以将其看作是对所提出的初步结论的检验）。
问题3：给出文献综述（要求：①文献综述的内容必须与你的研究紧密相关，即根据自己研究的问题或内容梳理、概括相关文献（要注意相关性）；②文献综述要能构成你研究的基础，可将其视为你的研究的理论知识平台或背景；③文献综述必须能够引出你所研究的问题，即根据自己的边际贡献或研究特点评述已有文献（要注意针对性））。
问题4：论证你所研究的问题以及其重要性（先列出“重要性”的论点，然后给出相应的论据）。
问题5：尝试运用计量软件（如：Eviews、SPSS、STATA或R）导入数据，对数据进行初步描述性分析与预估计。
我是真绝望，不是为了我自己，而是为了导师。三年前读硕士，写论文就想死。发表了之后，好了伤疤忘了疼。现在读博士，又在那里吭哧吭哧，以前还有个人帮帮，或者觉得硕士水平差也没关系，现在行业已经没有人了，更没人能帮，水平也不能太差，写不出来，没有资料，绝望。
尽自己最大的努力去写，在写论文的过程中，有不懂的地方一定要多和别人请教，相信完全可以克服这种不好的情绪。
不要焦虑，前期就是这样，你没有五六版的流程，怎么能顺利毕业，不要不毕业答辩想象的太恐怖，放松心态一定能过的。十个里面也就抓一个。
问卷调查你还是想对自己负责任的话，那就在街头采访或者一个种统计学的方式去调查，这我想你都会。但是毕业论文一般卡的也不严，尤其是大学本科。很多人的问卷调查，市场调查其实都是自己添的，你随便儿写一点儿符合你的调查结果就完事儿了。现在谁搞点儿统计，调查都怎么干，也不只是毕业学生。提前练一练，这种手法对你以后的工作也有帮助。
1. 明确你们研究的主题是什么
2. 明确设计者（即研究主体：你们）想通过问卷调查获取的信息有哪些
这点必须通过阅读文献来进行查漏补缺： 如果通过文献阅读就能够获知想要的信息，那么就 根本不必进行问卷调查； 因为你想获取的信息并不都是必须要通过问卷调查来获取的，要清 楚一点，你是站在学术共同体内已有的研究经验上展开研究的， 前人所作的工作某种意义上 就是为你服务的。
具体进行问卷内容设计时， 我们分两部分进行讲述，即问题和选项的设计。
51调查，让调查更简单方便！
毕业论文问卷调查制作方法如下：
1、设计问卷。首先你要知道自己研究的主体，比如你研究的主体是某小学的英语课堂学习情况，那么你最低需要设计两份问卷，问卷一针对老师，问卷二针对学生。同时你也可以采用对比分析法或者访谈法，在收集其他方面的数据跟资料。
2、问卷设计一般本科10-15道题，一份问卷，硕士一般15-25道题一份问卷，题不要多，不要重复提问，可以细分。
题目设计多为单选题，多选题尽力少一点，不然论文分析不好写，此外，还需要注意分数档位的设计，像是1-10分，这样其实你统计完了就是十个表格，而且相差不大，最好可以是不满意，一般，满意，非常满意。
3、问卷设计完成后发放收集数据。第一种就是打印出来，去你需要调研的地方发放，一般本科生在这个方面难度比较大，除非是平时就有这方面经验的同学，因为这个需要时间，而且很多人不愿意给陌生人填写问卷，因此收集起来比较困难。
第二种采用网上问卷统计方式，比如：问卷星，调查派等，在网上发放，然后回收，上面会显示调查结果。回头你把彩色表格改成三线格，可以直接用于论文中。也可以找其他好用的问卷软件。
4、当你的问卷回收率高于75%，那么你这个问卷就可以作为毕业论文的问卷分析使用了，如果低于75%则不能，一般学校要求回收率不低于90%。也就是十个人中，最低有九个给你填写了问卷。
5、应用于论文中，在统计数据与分析环节、问题凸显现状环节、常规类分析环节（比如根据这个问卷调查的结果你发现了哪些影响因素很重要等）、结果分析类环节（比如根据这个问卷调查的结果，你能给出什么建议）。
问卷题项需要根据研究的主题进行设计，比如研究在线学习的满意度与学习效度情况，题目应该围绕着“满意度”与“学习效果”这两个关键词来设计。
通常情况下，一个关键词下属对应有4~7个题即可，不需要太多。如果按照此逻辑，2个关键词就只有8~14个题，同时"满意度"和"学习效果"又可以进一步拆分成具体几个维度，例如满意度可分为对平台稳定性、互动系统、课程安排等方面，"学习效果"也可这样拆分。
同时再加入一些被调查者的背景信息题，如年龄、性别、职业等。
如果思路上偏向研究影响关系，最好将题项设计成量表题，方便后续分析时进行线性回归分析等研究。
一份问卷大致包括：样本背景题+样本态度题+核心研究题，有以上几部分就基本可以。
更具体的问卷设计方法可参考：SPSSAU问卷设计思路
借花献佛，最近也在准备，希望对你有帮助。毕业论文答辩中PPT制作也是一个很主要的进程，答辩即将到来，你筹备好了么？以下为收拾的一些毕业论文PPT制造的要点、构造和一些样本。大家需要对自己的论文选题、办法、结论、相关文献非常熟悉。 答辩每个人最多10分钟，最好限制在8分钟之内，讲明白后面幻灯片上的内容。 答复老师问题有理有据，由于是自己完成的，你理所当然最威望，但不能诡辩。 演示文稿尽量做得简洁、美丽、得体。答辩自负、表达流畅、有理有据。研究概述（1：一张幻灯片） 简明简要（一两句话）阐明： 研究背景 研究意义 研究目的 研究问题研讨框架（1） 研究的展开思路 和论文构造相关概念（1） 若有特殊专业或者要特殊解释的概念，可以说明。一般无须。研究综述（1） 扼要阐明国内外相干研究成果，谁、什么时光、什么结果。 最后很扼要述评，引出自己的研究。研究方法与过程（1-2） 采取了什么方法？在哪里展开？如何实行？主要结论（3-5） 自己研究的结果，条理清楚，简明简要。 多用图表、数据来阐明和论证你的结果。体系演示 若是体系开发者，则需要提前做好安装好演示筹备，在答辩时对主要模块作一演示1－2分钟。问题讨论（1） 有待进一步讨论和研讨的课题。致谢（1）PPT的制作上面的那位已经说了，我就说说陈述吧。这是我找到的论文陈述，你参考参考。各位老师，下午好！我叫xxxx，是xxxx班的学生，我的论文题目是《xxxx》，论文是在xxxx导师的悉心指点下完成的，在这里我向我的导师表示深深的谢意，向各位老师不辞辛苦参加我的论文答辩表示衷心的感谢，并对三年来我有机会聆听教诲的各位老师表示由衷的敬意。下面我将本论文设计的目的和主要内容向各位老师作一汇报，恳请各位老师批评指导。首先，我想谈谈这个毕业论文设计的目的及意义。作为计算机应用的一部分,图书销售管理系统对图书销售进行管理,具有着手工管理所无法比拟的优点,极大地提高图书销售管理效率及在同行业中的竞争力.因此，图书销售管理系统有着广泛的市场前景和实际的应用价值.其次，我想谈谈这篇论文的结构和主要内容。本文分成五个部分.第一部分是综述.这部分主要论述本系统开发的目的和意义，与业务相关的管理原理，以及与系统相关MIS系统开发原理与方法。第二部分是系统分析.这部分分析用户需求,进行调查研究和分析,目的是根据用户的需求和资源条件,以现状为基础,确定新系统的逻辑模型,即从抽象的信息管理角度出发,为使用户满意,系统应对哪些信息做怎样一些存储、变换与传递，具备哪些功能，从而明确系统应该做些什么。第三部分是系统设计.通过系统总体设计及详细设计对系统分析的结果进行整合,目的是要得到一个令用户满意的良好的实现方案。第四部分是系统实现.根据系统设计的内容，讨论了该系统对人员与平台的要求,以及数据库表结构的建立与数据输入,并进行应用程序设计与测试.第五部分是系统运行.这部分描述了系统操作使用的方法,进行一些系统测试，并评价了该系统.最后，我想谈谈这篇论文和系统存在的不足。这篇论文的写作以及系统开发的过程，也是我越来越认识到自己知识与经验缺乏的过程。虽然，我尽可能地收集材料，竭尽所能运用自己所学的知识进行论文写作和系统开发，但论文还是存在许多不足之处,系统功能并不完备，有待改进.请各位评委老师多批评指正，让我在今后的学习中学到更多。谢谢！
你所谓的模型我想大体有两种吧：一，是论文格式的范畴由以下几个方面组成：1、论文格式的论文题目：（下附署名）要求准确、简练、醒目、新颖。 2、论文格式的目录 目录是论文中主要段落的简表。（短篇论文不必列目录） 3、论文格式的内容提要： 是文章主要内容的摘录，要求短、精、完整。字数少可几十字，多不超过三百字为宜。 4、论文格式的关键词或主题词 关键词是从论文的题名、提要和正文中选取出来的，是对表述论文的中心内容有实质意义的词汇。关键词是用作计算机系统标引论文内容特征的词语，便于信息系统汇集，以供读者检索。每篇论文一般选取3-8个词汇作为关键词，另起一行，排在“提要”的左下方。 主题词是经过规范化的词，在确定主题词时，要对论文进行主题分析，依照标引和组配规则转换成主题词表中的规范词语。（参见《汉语主题词表》和《世界汉语主题词表》）。 5、论文格式的论文正文： （1）引言：引言又称前言、序言和导言，用在论文的开头。引言一般要概括地写出作者意图，说明选题的目的和意义, 并指出论文写作的范围。引言要短小精悍、紧扣主题。 〈2）论文正文：正文是论文的主体，正文应包括论点、论据、论证过程和结论。主体部分包括以下内容： a.提出问题-论点； b.分析问题-论据和论证； c.解决问题-论证方法与步骤； d.结论。 6、论文格式的参考文献 一篇论文的参考文献是将论文在研究和写作中可参考或引证的主要文献资料，列于论文的末尾。参考文献应另起一页，标注方式按《GB7714-87文后参考文献著录规则》进行。 中文：标题--作者--出版物信息（版地、版者、版期） 英文：作者--标题--出版物信息 所列参考文献的要求是： （1）所列参考文献应是正式出版物，以便读者考证。 （2）所列举的参考文献要标明序号、著作或文章的标题、作者、出版物信息。二，是文章自身结构的范畴例如一个论点要有几个论据组成，这几个论据要如何围绕此论点展开全方位的立体论述等。
本科毕业论文格式模板参考（以山西大学为例）
下面我给大家介绍本科毕业论文格式模板，在这里以以山西大学为例展开讲解，希望对大家有帮助。
标题前空一行，二号黑体
用三号楷体，与内容提要间空一行。
——以XX公司为例如有副标题，用三号楷体
学生姓名：XXX 指导教师：XXX
“内容提要”和“关键词”用五号黑体，与后面文字空一格，内容用五号楷体
内容提要： 在知识经济的背景下，学习型组织是适应社会变化的新组织形态，并很快就掀起了一股组织变革的热潮。然而，构建学习型组织的活动受到了各种挫折，学习型组织理论也受到了质疑。从历史上看，有不少变革遭遇失败，而且伴随着痛苦、伤害或牺牲，但同样不变革就意味着死亡。因此我们在推动变革的时候必须顺应组织的规律，走变革的“阻力最小之路”，才能“势如破竹”的推动改革，否则不仅徒劳无功，甚至可能越用力推，系统的反弹力量越大。本文结合实际，在充分肯定学习型组织对官僚制的批判和超越的基础上，对构建学习型组织的障碍因素进行深入思考，转换思维方式，最终提出了学习型组织的适用范围。
关键词： 学习型组织空三格官僚制 障碍
1、引言一级标题五号黑体，前后空一行
学习型组织理论是当今比较前沿的管理理论。其集大成者彼得·圣吉对学习型组织的描述是这样的：“在其中，大家得以不断突破自己的能力上限，创造真心向往的结果，培养全新的、前 瞻 而开阔的思考方式，全力实现共同的抱负，以及不断一起学习如何共同学习。”我国学者周德孚认为：“所谓学习型组织，是指通过培养弥漫于整个组织的学习气氛，充分发挥员工的创造性思维能力而建立起来的一种有机的、高度柔性的、扁平化的、符合人性的、能持续发展的组织。”
学习型组织理论一经提出，很快就掀起了一股组织变革的热潮。在世界许多国家都在为创建学习型社会而努力的大背景下，近年来国内大中企业、大小城市、团体组织以“运动”的形式大张旗鼓地构建学习型组织，例如，北京、上海、大连、常州、九江等城市相继提出了创建“学习型城市”的口号。宝钢、海尔等国内著名企业先后开展了建立学习型组织的实践探索，其中不乏卓有成效者，但也存在着一些根本不清楚学习型组织的模型、创建条件和实施步骤以及究竟能带来怎样的变革的追风者。但是，不管怎样，国际局势正在发生深刻变化，世界多极化和经济全球化趋势在曲折中发展，科技进步日新月异，知识老化速度大大加快。未来社会，成功者将是那些在竞争中比对手学习得更快的组织和个人，学习型组织作为适应知识经济时代对组织管理模式变化要求的新的组织形态，已经掀起了一场强烈的“学习”飓风。
2、学习型组织理论对官僚制的批判与超越
官僚制面临的问题二级标题，五号楷体 前后空.5行
在现代社会学、政治学和管理学等学科的研究中，官僚制理论是与马克斯·韦伯的名字联系在一起的，虽然官僚体系在人类历史上早已存在，并引起过学者们的关注，但正是经过了韦伯的深入论证，官僚制才成为2世纪理论研究的热点和社会组织实践中的'最重大事件。根据韦伯的论述，官僚制可以分为传统官僚制和现代官僚制两种，前者把传统的权威作为合法性的来源，但缺乏专业的技术管理和合理的法律制度，只具有合法性而没有合理性;后者则具有技术化、理性化和非人格化特征，是合法性与合理性的统一。本文所讲的正是韦伯所推崇并极力构建的工具理性化的后者。
单面打印右下角加页码
注释用尾注，在文章末尾标明，形式为1，2等。
学习型组织理论对官僚制的批判
当官僚制面临的问题越来越严重的时候，人们对官僚制的批判之声也一阵高过一阵。而事实上，学习型组织的很多概念，正是从对作为封闭式系统的官僚制组织的批判中产生的。
学习型组织对专业化分工的批判三级标题五号宋体，前后空.5行
现代官僚制的管理是建立在专业化分工的基础上，即每个组织成员都只负责与自己专业有关的职位上的工作，认为只有这样才能实现组织的高效率。但是在圣吉看来，正是这种建立在专业化分工基础上的组织结构，在加深了社会分工，促进生产力进步的同时，也加深了人类思想的割裂，造成的后果从大的方面来说是人与自然的对立，小的方面来说则是组织的分割、部门的对立，因而也必将最终影响到组织的效率。据此他提出学习型组织应该建立在系统思考的基础上。在圣吉看来要建立一个学习型组织，组织成员必须进行“五项修炼”，即自我超越、改变心智模式、建立共同愿景、团体学习、系统思考，在这五项修炼中第五项修炼即系统思考是最重要的。认为系统思考将使我们以一种新的方式来重新认识自己与所处的世界，从而实现“一种心灵的转变”，通过系统思考实现整体大于各部分加总的效力。[1] 参考文献对应位置
3、结语
创新、研发型组织，所谓创新、研发型组织，就是充分发挥各员工和各部门的创造性，针对组织内外的变化研发各种新的产品、服务、技术以及提出新的经营管理方式的组织。其创新、研发主要集中在五个方面：产品创新，引入新的产品或新的质量;工艺创新，采用新的生产方法;市场创新，开辟新的市场;资源创新，获得新的供给来源;体制创新，实行新的组织和管理形式。创新、研发与学习型组织有着密切的联系，创新、研发是学习的动力，不学习而只凭“灵机一动”，创新、研发容易成为花拳绣腿。而且，创新、研发往往发生在跨部门和跨知识领域，更集中的体现为组织智慧，而学习型组织是能够有力地进行组织学习的最有效的组织。(正文到此结束)
注释 ：“注释”用五号黑体，具体文字为五号宋体，与前文空两行
1 所谓工具理性化的含义是
“参考文献”用五号黑体，前空两行，后空一行，具体文字为五号宋体。内容具体格式如下
参考文献：
[1]杨盛标，许康.工程范畴演变考略.自然辩证法研究，2，1：35
另：版式要求：页边距上、下均为，左侧 cm，右侧2 cm;每页43行，每行43字，行跨度磅，字跨度磅。
1、论文题目：要求准确、简练、醒目、新颖。 2、目录：目录是论文中主要段落的简表。（短篇论文不必列目录） 3、提要：是文章主要内容的摘录，要求短、精、完整。字数少可几十字，多不超过三百字为宜。 4、关键词或主题词：关键词是从论文的题名、提要和正文中选取出来的，是对表述论文的中心内容有实质意义的词汇。关键词是用作机系统标引论文内容特征的词语，便于资讯系统汇集，以供读者检索。 每篇论文一般选取3-8个词汇作为关键词，另起一行，排在“提要”的左下方。 主题词是经过规范化的词，在确定主题词时，要对论文进行主题，依照标引和组配规则转换成主题词表中的规范词语。 5、论文正文： （1）引言：引言又称前言、序言和导言，用在论文的开头。 引言一般要概括地写出作者意图，说明选题的目的和意义, 并指出论文写作的范围。引言要短小精悍、紧扣主题。 〈2）论文正文：正文是论文的主体，正文应包括论点、论据、 论证过程和结论。主体部分包括以下内容： a.提出-论点； b.分析问题-论据和论证； c.解决问题-论证与步骤； d.结论。 6、一篇论文的参考文献是将论文在和写作中可参考或引证的主要文献资料，列于论文的末尾。参考文献应另起一页，标注方式按《GB7714-87文后参考文献着录规则》进行。 中文：标题--作者--出版物资讯（版地、版者、版期）：作者--标题--出版物资讯 所列参考文献的要求是： （1）所列参考文献应是正式出版物，以便读者考证。 （2）所列举的参考文献要标明序号、著作或文章的标题、作者、出版物资讯。
毕业论文共分以下几大部分： a) 封面 封面应包括以下内容：标题（副标题）、作者姓名、班级、导师姓名、日期 b) 致谢页（Acknowledgements） 致谢页应包括对论文写作过程中提供帮助的人的感谢，其中包括导师及其他老师、个别提供帮助的同学、某些专家等 c) 中英文摘要 中文摘要应在150-300之内概述文章的主要内容，使读者看了之后就明白文章写的是什么。 d) 目录 e) 正文 （3000-4000 words） 正文的一般格式 i. 第一部分讲述前人所做的工作，存在问题，本课题研究的意义，理论依据，拟采取的方法和步骤。 ii. 分析问题，提供有关论据 iii. 得出结论，说明已经做到了哪一步，还有哪些工作可做。 f) 注释 有两种选择：尾注和底注 如用Microsoft Word的插入注释的方式，建议采用底注方式。 中英文文献采用不同的标注方式：英文参考资料采用讲义中英文资料标注的方式，中文资料采用目前中文期刊流行的标注方式。网上资料请将网址拷贝，加以标注。 g) 参考文献 中英文参考文献分别列出，英文在前，中文在后。英文按照作者姓的字母顺序排列，中文者按照汉语拼音的顺序排列。 2、 毕业论文一律用A4纸列印，页边距用预设值（上下为，左右为）。封面、致谢、摘要、目录、参考文献都单独成页，参考文献如超过一页，可继续。 3、 除了封面，致谢、摘要、目录、正文等的标题用四号字，其余部分均用小四号字。英文字均用Times New Roman字型，中文用宋体字。行距为倍行距，段落格式为“首行缩排”。 4、 封面标题用小一号字，其余用小三号字。 5、 封面不标注页码，致谢、摘要和目录部分的页码编制和正文部分不同，前者用i, ii, iii， 后者用1、2、3……页码居中。
毕业论文是学生时代最重要的一件事,事关能否毕业，而毕业论文的格式又决定了一篇论文的水准，所以我们在做毕业论文时，一定要按正确的毕业论文的格式排版。 第一、构成专案 毕业论文包括以下内容： 封面、内容提要与关键词、目录、正文、注释、附录、参考文献。其中“附录”视具体情况安排，其余为必备专案。如果需要，可以在正文前加“引言”，在参考文献后加“后记”。 第二、各专案含义 （1）封面 封面由文头、论文标题、作者、学校名称、专业、年级、指导教师、日期等项内容组成。 （2）内容提要与关键词 内容提要是论文内容的概括性描述，应忠实于原文，字数控制在300字以内。关键词是从论文标题、内容提要或正文中提取的、能表现论文主题的、具有实质意义的词语，通常不超过7个。 （3）目录 列出论文正文的一二级标题名称及对应页码，附录、参考文献、后记等对应的页码。 （4）正文 正文是论文的主体部分，通常由绪论（引论）、本论、结论三个部分组成。这三部分在行文上可以不明确标示。 （5）.注释 对所创造的名词术语的解释或对引文出处的说明，注释采用脚注形式。 （6）附录 附属于正文，对正文起补充说明作用的资讯材料，可以是文字、表格、图形等形式。 （7）参考文献 作者在写作过程中使用过的文章、著作名录。 4、毕业论文格式编排 第一、纸型、页边距及装订线 毕业论文一律用国家标准A4型纸（297mmX210mm）列印。页边距为：天头（上）30mm，地脚（下）25mm，订口（左）30mm，翻口（右）25mm。装订线在左边，距页边10mm。 第二、版式与用字 文字、图形一律从左至右横写横排，倍行距。文字一律通栏编辑，使用规范的简化汉字。忌用繁体字、异体字等其他不规范字。 第三、论文各部分的编排式样及字型字号 （1）文头 封面顶部居中，小二号行楷，顶行，居中。固定内容为“成都中医药大学本科毕业论文”。 （2）论文标题 小一号黑体。文头居中，按小一号字型上空一行。（如果加论文副标题，则要求：小二号黑体，紧挨正标题下居中，文字前加破折号） 论文标题以下的行距为：固定值，40磅。 （3）作者、学院名称、专业、年级、指导教师、日期 专案名称用小三号黑体，后填写的内容处加下划线标明，8个汉字的长度，所填写的内容统一用三号楷体，各占一行，居中对齐。下空两行。 （4）内容提要及关键词 紧接封面后另起页，版式和字号按正文要求。其中，“内容提要”和 “:” 黑体，内容用宋体。上空一行，段首空两格，回行顶格：“关键词”与 “内容提要”间隔两行，段首空两格。“关键词”和 “:” 用黑体,内容用宋体。关键词通常不超过七个，词间空一格。 （5）目录 另起页,专案名称用3号黑体，居中排列，上下各空一行；内容用小4号仿宋。 （6）正文文字：另起页。 （7）论文标题：用二号黑体加粗，居中排列，上空一行；下标明年级、专业、作者，作者姓名另起一行，四号楷体，居中排列；下空两行接正文。正文文字一般用小四号宋体，每段起首空两格，回行顶格，单倍行距。 （8）正文文中标题 一级标题，标题序号为“一、”与正文字号相同，黑体，独占行，末尾不加标点； 二级标题，标题序号为“（二）”，与正文字型字号相同，独占行，末尾不加标点； 三级以下标题序号分别为“1.”和（1），与正文字型字号相同。为避免与注释相互混淆，不可用“①”。可根据标题的长短确定是否独占行，若独占行，则末尾不使用标点，否则，标题后必须加句号。每级标题的下一级标题应各自连续编号。 （9）注释：正文中加注之处右上角加数码，形式统一为“①”，同时在本页留出适当行数，用横线与正文分开，空两格后定出相应的注号，再写注文。注号以页为单位排序，每个注文各占一段，用小5号宋体。引用文章时，注文的顺序为：作者、文章标题、刊物名、某年第几期〈例如 : ①龚祥瑞：《论行政合理性原则》, 载《法学杂志》1987年第1期。)；引用著作时，注文的顺序为：作者、著作名称、出版者、某年第几版、页数 ( 例如：② [ 英 ] 威廉·韦德著：《行政法》，楚剑译，中国大百科全书出版社 1997年版，第5页。)。 （10）附录 专案名称为小四号黑体，在正文后空两行空两格排印，内容编排参考“示范文字”。 （11）参考文献 专案名称用小四号黑体，在正文或附录后空两行顶格排印，另起行空两格用小四号宋体排印参考文献内容，具体编排方式同注释(参考的著作可不写第几页) 。 （12）页码 首页不编页码，从第二页起，居中编排。
先给两三分钟让你介绍你答辩的东西的概述，然后老师提问，回答问题
摘要? 摘要又称提要，一般论文的前面都有摘要。设立该项的目的是为了方便读者概略了解论文的内容，以便确定是否阅读全文、或其中一部分，同时也是为了方便科技资讯人员编文摘和索引检索工具。摘要是论文的基本思想的缩影，虽然放在前面，但它是在全文完稿后才撰写的。有时，为了国际学术交流，还要把中文摘要译成英文或其他文种。其摘要所撰写内容大体如下：? (1)本课题研究范围，目的以及在该学科中所占的位置。 (2)研究的主要内容和研究方法。? (3)主要成果及其实用价值。? (4)主要结论? 文摘撰写要求是：准确而高度概括论文的主要内容，一般不作评价。文字要求精炼、明白，用字严格推敲。文摘内容中一般不举例证，不讲过程，不做工作对比，不用图、图解、简表、化学结构式等，只用标准科学命名，术语、惯用缩写、符号。其字数一般不超过正文的5%近年来，为了便于制作索引和电子计算机检索，要求在摘要之后提出本篇论文的关键词(或主题词)，以供检索之用。?
园艺学专业教学过程中辅助使用多媒体的研究 随着经济的发展,科学技术的提高和教学手段的现代化,采用影象、图片、图表模型、幻灯片、录影等现代化手段进行教学,已经成为现代化教学的常用模式。 多媒体技术作为一种新的教学手段有着其它教学手段无可比拟的优越性,它集文字、声音、图象、图形、视讯、动画等多种传播媒介于一体,并可以灵活的把它们组合到一起,多方位、多角度、多途径的向学生传递资讯,以其良好的互动性为老师和学生提供了生动活泼、灵活多样、丰富多彩的人机交流的多媒体教学环境,具有教学手段的新颖性、多样性和趣味性。 其教学优势是能够引起学生的注意,并可促使有意注意和无意注意的相互转化,激发学习动机,使学习变得轻松自然,进而取得极佳的教学效果。因此能否利用多媒体技术进行课堂教学也就成为一名合格教师的必备素质之一。 作为一名园艺学专业教师,研究在教学过程中如何使用多媒体辅助教学就显得十分必要。 毕业论文格式 一、纸型、页面设定、版式和用字。 毕业论文一律用国际标准A4型纸(297mmX210mm)列印。 页面分图文区与白边区两部分，所有的文字、图形、其他符号只能出现在图文区内。白边区的尺寸(页边距)为：天头(上)25mm，地脚(下)20mm，订口(左)25mm，翻口(右)20mm。 文字图形一律从左至右横写横排。文字一律通栏编辑。 使用规范的简化汉字。除非必要，不使用繁体字。忌用异体字、复合字及其他不规范的汉字。 二、论文封面 封面由文头、论文标题、作者、学校、年级、学号、指导教师、答辩组成员、答辩日期、申请学位等专案组成。 文头：封面顶部居中，占两行。上一行内容为“河南广播电视大学”用小三号宋体；下一行内容为“汉语言文学专业（本科）毕业论文”，3号宋体加粗。文头上下各空一行。 论文标题：2号黑体加粗，文头下居中，上下各空两行。 论文副题：小2号黑体加粗，紧挨正标题下居中，文字前加破折号。 作者、学校（市级电大）、年级、学号、指导教师、答辩组成员、答辩日期、申请学位等专案名称用3号黑体，内容用3号楷体，在正副标题下适当居中左对齐依次排列。占行格式为： 作者：XXX 学校：XXX 年级：XXX 学号：XXX 指导教师：XXX 职称：XXX 答辩组成员： XXX（主持人） 职称：XXX XXX 职称：XXX …… 答辩日期：X年X月X日 申请学位：学士（不申请可省略此项） 由于论文副题可有可无，学位可申请可不申请，答辩组成员可以是3、5、7人，封面内容占行具有不确定性，为保持封面的整体美观，可对行距做适当调整。 三、论文 论文由论文目录（提纲）和题目、作者姓名、完成日期、摘要、关键词、正文、注释、参考文献、附录等专案组成。 需要列目录的论文，目录要独占一页。“目录”二字用3号黑体，顶部居中；以下列出论文正文的一、二级标题及参考文献、附录等项及其对应页码。用小4号宋体。 论文题目用3号黑体，顶部居中排列，上下各空一行； 作者姓名：题目下方居中，用四号楷体。 完成时间：作者姓名下方居中，字样为“X年X月”，用四号楷体。 摘要：作者姓名下空一行，左起顶头，写明“摘要”字样加粗，点冒号，接排摘要内容。一般用五号字，字型用楷体。 关键词：摘要下方，左起顶头，写明“关键词”字样加粗，点冒号，接排关键词。词间空一字。字型字型同摘要。 正文：关键词下空一行开始。正文文字一般用5号宋体，每段起首空两格，回行顶格，单倍行距。 正文文中标题： 一级标题。标题序号为“一、”，4号黑体，独占行，末尾不加标点。如果居中，上下各空一行。 二级标题，标题序号为“(一)”，与正文字型字号相同，独占行，末尾不加标点； 三、四、五级序号分别为“1．”、“(1)”和“①”，与正文字型字号相同，一般不独占行，末尾加句号。如果独占行，则不使用标点。每级标题的下一级标题应各自连续编号。 注释：注释采用脚注形式。加注符号以页为单位排序，标在须加注之处最后一个字的右上角后，用带圈或括弧的阿拉伯数字依次标示。同时在本页留出适当行数，用横线与正文分开，左起空两字后写出相应的注号，再写注文。每个注文各占一段，用小5号宋体。建议使用电脑脚注功能。 参考文献：在正文专案后空两行左起顶头用四号黑体写明“参考文献”，另起行空两格用5号宋体编排参考文献内容，每个参考文献都另起行。参考文献的专案见“实施方案”正文。 附录：在参考文献后空两行左起顶头用四号黑体写明“附录”字样，另起行编排附录内容，格式参考正文。 来自标准论文网
1、Title page--标题页 这是一篇英国Dissertation的第一部分，其实标题本身就是能告诉读者你的研究到底是什么的一个最好的说明，读者通过标题知道你研究的主题是什么。 2、Abstract--摘要 在整篇Dissertation中摘要是论文字数最少的一部分了，但是也要认真对待；从根本上来说，摘要是对毕业论文的一个简单的总结，其中包括为什么你要做这个研究，是怎么样做的以及做完这个研究的成果与它可能产生的影响等。 3、Content pages--内容页 在该部分中，一般会说明和介绍本论文的主要结构，在这一部分，留学生会发现Dissertation内容中的不同部分不平衡的现象变得越来越明显，因此要对内容进行检查以及合并。如果太多就分成几个小部分，太少的话就自己进行创作补充，这都是很有必要的。 4、Introduction--前言 这一部分作为毕业论文正文的第一部分，前言一般有两个作用，扩大Abstract中材料的总结和为剩下的Dissertation中的内容提供一个很好地指示标。通常情况下都是最好放在最后完成，否则你会完全不知道你在介绍什么，当然，放在前面还是后面写要因人而异，也可以跟导师商量哦。 5、The literature review, or context of the study---文献回顾，背景研究 文章的主要目的是让你介绍一下你的研究领域的总体背景，从而让读者明白文章的研究主题是适用于该研究领域的。
1 摘要的概念和作用 摘要又称概要、内容提要。摘要是以提供文献内容梗概为目的，不加评论和补充解释，简明、确切地记述文献重要内容的短文。其基本要素包括研究目的、方法、结果和结论。具体地讲就是研究工作的主要物件和范围，采用的手段和方法，得出的结果和重要的结论，有时也包括具有情报价值的其它重要的资讯。摘要应具有独立性和自明性，并且拥有与文献同等量的主要资讯，即不阅读全文，就能获得必要的资讯。对一篇完整的论文都要求写随文摘要，摘要的主要功能有： 1) 让读者尽快了解论文的主要内容，以补充题名的不足。现代科技文献资讯浩如烟海，读者检索到论文题名后是否会阅读全文，主要就是通过阅读摘要来判断；所以，摘要担负著吸引读者和将文章的主要内容介绍给读者的任务。 2) 为科技情报文献检索资料库的建设和维护提供方便。论文发表后，文摘杂志或各种资料库对摘要可以不作修改或稍作修改而直接利用，从而避免他人编写摘要可能产生的误解、欠缺甚至错误。随着电子计算机技术和Inter网的迅猛发展，网上查询、检索和下载专业资料已成为当前科技资讯情报检索的重要手段，网上各类全文资料库、文摘资料库，越来越显示出现代社会资讯交流的水平和发展趋势。同时论文摘要的索引是读者检索文献的重要工具。所以论文摘要的质量高低，直接影响着论文的被检索率和被引频次。 2 摘要的分类 按摘要的不同功能来划分，大致有如下3种类型。 报道性摘要 报道性摘要是指明一次文献的主题范围及内容梗概的简明摘要，相当于简介。报道性摘要一般用来反映科技论文的目的、方法及主要结果与结论，在有限的字数内向读者提供尽可能多的定性或定量的资讯，充分反映该研究的创新之处。科技论文如果没有创新内容，如果没有经得起检验的与众不同的方法或结论，是不会引起读者的阅读兴趣的；所以建议学术性期刊(或论文集)多选用报道性摘要，用比其他类摘要字数稍多的篇幅，向读者介绍论文的主要内容。以“摘录要点”的形式报道出作者的主要研究成果和比较完整的定量及定性的资讯。篇幅以300字左右为宜。 指示性摘要 指示性摘要是指明一次文献的论题及取得的成果的性质和水平的摘要，其目的是使读者对该研究的主要内容(即作者做了什么工作)有一个轮廓性的了解。创新内容较少的论文，其摘要可写成指示性摘要，一般适用于学术性期刊的简报、问题讨论等栏目以及技术性期刊等只概括地介绍论文的论题,使读者对论文的主要内容有大致的了解。篇幅以100字左右为宜。 报道-指示性摘要 报道-指示性摘要是以报道性摘要的形式表述论文中价值最高的那部分内容，其余部分则以指示性摘要形式表达。篇幅以100～200字为宜。 以上3种摘要分类形式都可供作者选用。一般地说，向学术性期刊投稿，应选用报道性摘要形式；只有创新内容较少的论文，其摘要可写成报道-指示性或指示性摘要。论文发表的最终目的是要被人利用。如果摘要写得不好，在当今资讯激增的时代论文进入文摘杂志、检索资料库，被人阅读、引用的机会就会少得多，甚至丧失。一篇论文价值很高，创新内容很多，若写成指示性摘要，可能就会失去较多的读者。在这种情况下，如果作者摘要写得过简，编辑在退修时应提醒其修改。 3 摘要的写作注意事项 1) 摘要中应排除本学科领域已成为常识的内容；切忌把应在引言中出现的内容写入摘要；一般也不要对论文内容作诠释和评论(尤其是自我评价)。 2) 不得简单重复题名中已有的资讯。比如一篇文章的题名是《几种中国兰种子试管培养根状茎发生的研究》，摘要的开头就不要再写：“为了……，对几种中国兰种子试管培养根状茎的发生进行了研究”。 3) 结构严谨，表达简明，语义确切。摘要先写什么，后写什么，要按逻辑顺序来安排。句子之间要上下连贯，互相呼应。摘要慎用长句，句型应力求简单。每句话要表意明白，无空泛、笼统、含混之词，但摘要毕竟是一篇完整的短文，电报式的写法亦不足取。摘要不分段。 4) 用第三人称。建议采用“对……进行了研究”、“报告了……现状”、“进行了……调查”等记述方法标明一次文献的性质和文献主题，不必使用“本文”、“作者”等作为主语。 5) 要使用规范化的名词术语，不用非公知公用的符号和术语。新术语或尚无合适汉文术语的，可用原文或译出后加括号注明原文。 6) 除了实在无法变通以外，一般不用数学公式和化学结构式，不出现插图、表格。 7) 不用引文，除非该文献证实或否定了他人已出版的著作。 8) 缩略语、略称、代号，除了相邻专业的读者也能清楚理解的以外，在首次出现时必须加以说明。科技论文写作时应注意的其他事项，如采用法定计量单位、正确使用语言文字和标点符号等，也同样适用于摘要的编写。目前摘要编写中的主要问题有：要素不全，或缺目的，或缺方法；出现引文，无独立性与自明性；繁简失当。 论文摘要 杂志上刊登的论文一般仅限于数千字,为何还要一段数百字的摘要呢?无非是便于读者用最短时间掌握资讯,了解研究工作或文章的主要内容和结果,从而决定是否需要详读全文。在知识和资讯加速度增长的今天,摘要的重要性更为突出。既为读者阅览起引导作用,更为文献汇编、计算机储存、检索做好准备,成为科技情报的重要来源。摘要者,精华也。 作者应重视摘要的书写。写好摘要,既需要严肃认真的科学精神,更是一种雕琢艺术,奉献给读者的是精品,起到的是相互交流、共同发展的目的。中文杂志的英文目录和摘要更是进行国际交流的唯一途径,直接反映我国科学研究和杂志的质量水平,是让世界了解中国的一个视窗。 摘要不容赘言,故需逐字推敲。内容必须完整、具体、使人一目了然。英文摘要虽以中文摘要为基础,但要考虑到不能阅读中文的读者的需求,实质性的内容不能遗漏。为此,我国的科技期刊近年来陆续采用结构式摘要,明确写出目的、方法、结果和结论四部分。 1.目的(Objective):简明指出此项工作的目的,研究的范围。 2.方法(Methods):简要说明研究课题的基本做法,包括物件(分组及每组例数、对照例数或动物只数等)、材料和方法(包括所用药品剂量,重复次数等)。统计方法特殊者需注明。 3.结果(Results):简要列出主要结果(需注明单位)、资料、统计学意义(P值)等,并说明其价值和局限性。 4.结论(Conclusion):简要说明从该项研究结果取得的正确观点、理论意义或实用价值、推广前景。 中、英文摘要前需标明中、英文文题，作者姓名(至多3名)及作者单位(邮政编码)。英文摘要应隔行打字,以便修改 如何确定课题研究物件 任何一项课题研究都有具体研究物件。这些物件可以是人、是物，也可以是文献记载或其他文字资料等，数量可以是一个，几个，也可以成千上万个。但是，作为课题研究物件的确定不是随便的。首先，它取决于课题的性质，由课题的性质确定什么作为课题研究的物件。其次，无论什么样的研究物件，都必须保证通过对它进行科学研究能够得出可靠的结论。第三，确定研究物件应考虑其现实性和可能性，即根据研究者所具备的条件能否对研究物件进行研究。第四，确定研究物件时还应考虑研究效率和效益，尽可能在比较短的时间内，以比较少的投入取得较大的研究成果。
你所谓的模型我想大体有两种吧： 一，是论文格式的范畴 由以下几个方面组成： 1、论文格式的论文题目：（下附署名）要求准确、简练、醒目、新颖。 2、论文格式的目录 目录是论文中主要段落的简表。（短篇论文不必列目录） 3、论文格式的内容提要： 是文章主要内容的摘录，要求短、精、完整。字数少可几十字，多不超过三百字为宜。 4、论文格式的关键词或主题词 关键词是从论文的题名、提要和正文中选取出来的，是对表述论文的中心内容有实质意义的词汇。关键词是用作计算机系统标引论文内容特征的词语，便于资讯系统汇集，以供读者检索。每篇论文一般选取3-8个词汇作为关键词，另起一行，排在“提要”的左下方。 主题词是经过规范化的词，在确定主题词时，要对论文进行主题分析，依照标引和组配规则转换成主题词表中的规范词语。（参见《汉语主题词表》和《世界汉语主题词表》）。 5、论文格式的论文正文： （1）引言：引言又称前言、序言和导言，用在论文的开头。引言一般要概括地写出作者意图，说明选题的目的和意义, 并指出论文写作的范围。引言要短小精悍、紧扣主题。 〈2）论文正文：正文是论文的主体，正文应包括论点、论据、论证过程和结论。主体部分包括以下内容： a.提出问题-论点； b.分析问题-论据和论证； c.解决问题-论证方法与步骤； d.结论。 6、论文格式的参考文献 一篇论文的参考文献是将论文在研究和写作中可参考或引证的主要文献资料，列于论文的末尾。参考文献应另起一页，标注方式按《GB7714-87文后参考文献着录规则》进行。 中文：标题--作者--出版物资讯（版地、版者、版期） 英文：作者--标题--出版物资讯 所列参考文献的要求是： （1）所列参考文献应是正式出版物，以便读者考证。 （2）所列举的参考文献要标明序号、著作或文章的标题、作者、出版物资讯。 二，是文章自身结构的范畴 例如一个论点要有几个论据组成，这几个论据要如何围绕此论点展开全方位的立体论述等。
毕业论文参考文献格式具体如下：
1、参考文献需要顶格书写。开始换行的时候，第二行必须有空格，汉语必须要两个汉字空格。
2、原则上，要有15条以上的参考文献。英语放在前面，中文放在后面。英语按姓氏的首字母顺序排列，中文用姓氏的音序排列。
3、一级标题要加粗，其他的标题不要加粗。
4、外文文献的第一个字母要大学，其他都是小写。
5、如果引用超过4行以上，就需要另起一行。
6、正文和正文的小标题之间不要留空行，段落之间也不要留空行。
关于毕业论文参考文献，首先,文献类型不同,其著录方式不同;其次尽管不同的文献类型，著录方式不同 ,但基本上分为三个部分,分别是:(1)参考文献的作者;( 2 )参考文献的名称和文献类型;(3)参考文献的出版信息。第一类专著、论文集、学位论文、报告等文献类型的著录方式:[序号]主要责任者.文献题名[文献类型标识9].出版地:出版者,出版年,起止页码a (任选) 。第二类是期刊文章,其著录格式如下:[序号]主要责任者.文献题名[].刊名,年，卷(期) :起止页码。期刊文章是使用最多的文献类型,它的著录也包括着作者、文献名称及类型、出版信息三部分内容。第三类是会议论文集,其著录格式如下:[序号]析出文献主要责任者.析出文献题名[A].原文献主要责任者(任选) .原文献题名[C].出版地:出版者,出版年.析出文献起止页码。
毕业论文的参考文献格式一般遵循国际通用的APA（American Psychological Association）格式，具体要求如下：1. 文献信息顺序：作者、出版年份、文章题目、期刊名称、卷号、期号、页码。2. 文献类型：包括期刊文章、书籍、会议论文、网站等。3. 作者格式：最多列出7名作者，若超过7名，则列出前6名作者，后跟“et al.”。4. 文章题目格式：仅首字母大写，加上句号。5. 期刊名称格式：仅首字母大写，加上逗号。6. 卷号和期号格式：卷号加上期号，用括号括起来，中间用逗号隔开。7. 页码格式：用pp.表示，不需要加上“页”或“p.”。8. 网络资源：需注明获取日期和URL地址。下面是期刊文章、书籍、会议论文、网站的参考文献格式示例：期刊文章：作者. (出版年份). 文章题目. 期刊名称, 卷号(期号), 页码.书籍：作者. (出版年份). 书名. 出版地点: 出版社.会议论文：作者. (出版年份). 论文题目. 在编者姓名(Eds.), 会议论文集名称(pp. 页码). 出版地点: 出版社.网站：作者. (发布年份). 文章题目. 网站名称. 检索日期, 来源网址.需要注意的是，参考文献格式应该按照规范要求进行，不同类型的文献应该采用不同的格式，同时也要注意参考文献的排序和标点符号的使用。
1、论文题目：要求准确、简练、醒目、新颖。2、目录：目录是论文中主要段落的简表。（短篇论文不必列目录）3、提要：是文章主要内容的摘录，要求短、精、完整。字数少可几十字，多不超过三百字为宜。4、关键词或主题词：关键词是从论文的题名、提要和正文中选取出来的，是对表述论文的中心内容有实质意义的词汇。关键词是用作机系统标引论文内容特征的词语，便于信息系统汇集，以供读者检索。每篇论文一般选取3-8个词汇作为关键词，另起一行，排在“提要”的左下方。主题词是经过规范化的词，在确定主题词时，要对论文进行主题，依照标引和组配规则转换成主题词表中的规范词语。5、论文正文：（1）引言：引言又称前言、序言和导言，用在论文的开头。引言一般要概括地写出作者意图，说明选题的目的和意义,并指出论文写作的范围。引言要短小精悍、紧扣主题。〈2）论文正文：正文是论文的主体，正文应包括论点、论据、论证过程和结论。主体部分包括以下内容：a.提出-论点；b.分析问题-论据和论证；c.解决问题-论证与步骤；d.结论。6、一篇论文的参考文献是将论文在和写作中可参考或引证的主要文献资料，列于论文的末尾。参考文献应另起一页，标注方式按《GB7714-87文后参考文献著录规则》进行。中文：标题--作者--出版物信息（版地、版者、版期）：作者--标题--出版物信息所列参考文献的要求是：（1）所列参考文献应是正式出版物，以便读者考证。（2）所列举的参考文献要标明序号、著作或文章的标题、作者、出版物信息。