模块：标题优化

触发器：标题、标题、标题优化、创建标题、改进标题

目的：按照 IEEE/ACM/Springer/NeurIPS 最佳实践生成和优化论文标题。

使用示例：

从内容生成标题：

uv run python -B scripts/optimize_title.py main.tex --generate
# Analyzes abstract/introduction to propose 3-5 title candidates

优化现有标题：

uv run python -B scripts/optimize_title.py main.tex --optimize
# Analyzes current title and provides improvement suggestions

检查标题质量：

uv run python -B scripts/optimize_title.py main.tex --check
# Evaluates title against best practices (score 0-100)

标题质量标准（基于 IEEE 作者中心和顶级期刊或会议）：

标准	重量	描述
简明	25%	删除“研究”、“研究”、“小说”、“新”、“改进”
可搜索性	30%	前 65 个字符中的关键术语（方法 + 问题）
长度	15%	最佳：10-15个字；可接受：8-20 个字
特异性	20%	具体的方法/问题名称，而不是模糊的术语
无行话	10%	避免使用晦涩的缩写（AI、LSTM、DNA 等除外）

标题生成工作流程：

第1步：内容分析 摘要/简介摘录：

• 问题：解决了什么挑战？
• 方法：提出了什么方法？
• 领域：什么应用领域？
• 主要成果：主要成就是什么？ （选修的）

第2步：关键词提取 确定3-5个核心关键词：

• 方法关键词：“Transformer”、“图神经网络”、“强化学习”
• 问题关键词：“时间序列预测”、“故障检测”、“图像分割”
• 领域关键词：“工业控制”、“医疗影像”、“自动驾驶”

第3步：标题模板选择 顶级期刊或会议的常见模式：

图案	例子	使用案例
解决问题的方法	“基于变压器的时间序列预测方法”	一般研究
方法：域中的问题	“图神经网络：工业系统中的故障检测”	特定领域
问题通过方法	“通过注意力机制进行时间序列预测”	以方法为中心
方法+关键特征	“用于实时物体检测的轻量级变压器”	注重绩效

第 4 步：标题候选生成 生成 3-5 名不同侧重点的候选人：

1. 以方法为中心
2. 以问题为中心
3. 以应用为中心
4. 平衡（推荐）
5. 简洁变体

第 5 步：质量评分 每位候选人都会收到：

• 总分（0-100）
• 按标准细分
• 具体改进建议

标题优化规则：

删除无效词语：

避免	原因
一项研究	冗余（所有论文都是研究）
研究	冗余（所有论文均为研究论文）
小说/新	出版物暗示
改进/增强	含糊不清，没有具体内容
基于	往往是不必要的
使用/利用	可以用介词代替

优选结构：

Good: "Transformer for Time Series Forecasting in Industrial Control"
Bad:  "A Novel Study on Improved Time Series Forecasting Using Transformers"

Good: "Graph Neural Networks for Fault Detection"
Bad:  "Research on Novel Fault Detection Based on GNNs"

Good: "Attention-Based LSTM for Multivariate Time Series Prediction"
Bad:  "An Improved LSTM Model Using Attention Mechanism for Prediction"

关键词放置策略：

• 前 65 个字符：最重要的关键字（方法 + 问题）
• 避免以开头：冠词（A、An、The）、介词（On、In、For）
• 优先级：名词和技术术语优先于动词和形容词

缩写指南：

可以接受	标题中避免
人工智能、机器学习、深度学习	晦涩的特定领域首字母缩略词
LSTM、GRU、CNN	化学式（除非非常常见）
物联网、5G、GPS	实验室特定缩写
DNA、RNA、核磁共振	非标准方法名称

具体期刊或会议调整：

IEEE 交易：

• 避免使用带有下标的公式（除了像“Nd–Fe–B”这样的简单公式）
• 使用标题大小写（主要单词大写）
• 典型长度：10-15 个字
• 示例：“智能制造中预测性维护的深度学习”

ACM 会议：

• 创意标题更灵活
• 可以使用冒号作为字幕
• 典型长度：8-12 个字
• 示例：“AttentionFlow：神经网络中注意力机制的可视化”

施普林格期刊：

• 更喜欢描述性而非创意性
• 可以稍长一些（最多20个字）
• 示例：“工业物联网系统中实时异常检测的综合框架”

NeurIPS/ICML：

• 简洁且有影响力（8-12 个字）
• 方法名称经常突出
• 示例：“变形金刚通过梯度下降在上下文中学习”

输出格式：

% ============================================================
% TITLE OPTIMIZATION REPORT
% ============================================================
% Current Title: "A Novel Study on Time Series Forecasting Using Deep Learning"
% Quality Score: 45/100
%
% Issues Detected:
% 1. [Critical] Contains "Novel Study" (remove ineffective words)
% 2. [Major] Vague method description ("Deep Learning" too broad)
% 3. [Minor] Length acceptable (9 words) but could be more specific
%
% Recommended Titles (Ranked):
%
% 1. "Transformer-Based Time Series Forecasting for Industrial Control" [Score: 92/100]
%    - Concise: ✅ (8 words)
%    - Searchable: ✅ (Method + Problem in first 50 chars)
%    - Specific: ✅ (Transformer, not just "Deep Learning")
%    - Domain: ✅ (Industrial Control)
%
% 2. "Attention Mechanisms for Multivariate Time Series Prediction" [Score: 88/100]
%    - Concise: ✅ (7 words)
%    - Searchable: ✅ (Key terms upfront)
%    - Specific: ✅ (Attention, Multivariate)
%    - Note: Consider adding domain if space allows
%
% 3. "Deep Learning Approach to Time Series Forecasting in Smart Manufacturing" [Score: 78/100]
%    - Concise: ⚠️ (10 words, acceptable)
%    - Searchable: ✅
%    - Specific: ⚠️ ("Deep Learning" still broad)
%    - Domain: ✅ (Smart Manufacturing)
%
% Keyword Analysis:
% - Primary: Transformer, Time Series, Forecasting
% - Secondary: Industrial Control, Attention, LSTM
% - Searchability: "Transformer Time Series" appears in 1,234 papers (good balance)
%
% Suggested LaTeX Update:
% \title{Transformer-Based Time Series Forecasting for Industrial Control}
% ============================================================

交互模式（推荐）：

uv run python -B scripts/optimize_title.py main.tex --interactive
# Step-by-step guided title creation with user input

批量模式（适用于多篇论文）：

uv run python -B scripts/optimize_title.py "papers/*.tex" --batch --output title_report.json

标题 A/B 测试（可选）：

uv run python -B scripts/optimize_title.py main.tex --compare "Title A" "Title B" "Title C"
# Compares multiple title candidates with detailed scoring

最佳实践总结：

1. 从关键词开始：将方法+问题放在前10个词中
2. 具体一点：“Transformer”>“深度学习”>“机器学习”
3. 去除绒毛：删除“小说”、“研究”、“研究”、“基于”
4. 检查长度：目标是 10-15 个单词（英语）
5. 测试可搜索性：您会通过这些关键字找到这篇论文吗？
6. 避免行话：除非它被广泛认可（AI、LSTM、CNN）
7. 匹配期刊或会议风格：IEEE（描述性）、ACM（创意）、NeurIPS（简洁）

参考：IEEE Author Center、Royal Society Blog