- 像AAAI，IJCAI这种水会，投论文更多的像是掷筛子，随机性很大，你投不中不能说明你不好，你投中了也不能说明你强。
- 从审稿人角度考虑，如果这篇文章他看得懂，那他很可能会拒掉；如果他看不懂，那么他觉得这篇文章可能有价值，得琢磨一下。
- 纯方法类的文章研究和提升起来是很难的，很少有人做这个，所以作为普通的投稿人如果方法不强，那么需要逻辑合理并且从其他的地方找补回来，这个找补的地方就是motivation, evaluation. 整篇文章，motivation, method, evaluation 各占1/3，要么每块板都不短，要么在其他的地方找补回来。其中motivation里面的classifying就需要你对领域的认知了。
- 在验证部分，数据需要有两类，1. 标准数据，2. 领域（私有）数据。如果你只有领域数据，那么需要多用几种领域数据。在验证方法上，如果没有量化指标的验证，那么可以做个case study，这个同可视化是一样的。
- 如果是数据驱动的文章，那么你一定要了解数据，这个了解数据，不单单指数据的各项属性，还需要知道在所属领域内的数据特征。
- 相比于工程类文章，计算机类文章不讲究可解释性， 这也导致了计算机类文章的水分很大。