find-papers

查找论文

无需密钥的学术搜索。从四个免费 API 获取经验证的论文元数据——标题、作者、年份、发表场所、DOI/arXiv 编号、引用次数、开放获取 PDF 链接——并提供发表场所名称转换层，让跨 API 搜索真正可用。服务于文献综述和相关工作阶段；为 fetch-paper（全文）和 verify-citations（参考文献核验关卡）提供数据。

适用场景

• “查找关于 X 的论文”／“调查 X 的相关工作”
• “列出 发表的所有论文”
• “关于 X 被引次数最高的论文有哪些？”／“查找这个 DOI”
• “arXiv 上关于 X 有什么新内容？”
• 其他技能（literature-review、draft-related-work、study-exemplars、select-venue）需要真实论文作为输出依据

输入

• 主题、作者、发表场所、年份、DOI 或 arXiv 编号（可任意组合）
• CONTACT_EMAIL 环境变量——所有脚本都必需（礼貌访问池身份标识）；若未设置，脚本会交互式提示输入，或以状态码 1 退出并给出说明
• 可选：S2_API_KEY 环境变量，用于可靠访问 Semantic Scholar
• 可选：发表场所配置文件 venues/conferences/<id>.yml（架构见 venues/schema.yml）——其中的 aliases: 块是权威的发表场所名称映射

提供方速查表

需求	提供方	脚本
枚举某个计算机科学发表场所某一年的论文（“KDD 2025 的所有论文”）	DBLP	dblp_search.py
DOI 支持的元数据、出版方筛选条件、日期范围	Crossref	crossref_search.py
摘要、引用次数、开放获取 PDF 链接、主题搜索	Semantic Scholar	s2_search.py
预印本、最新研究、全文 HTML 链接	arXiv	arxiv_search.py
分发查询至各索引、合并结果、故障转移、报告覆盖情况	全部四个	resolve_papers.py
沿引用关系扩展已饱和的种子集（锚点、竞争作品、基础设施）	OpenAlex + Crossref	citation_graph.py
选出命名标题的规范版本（版本漂移／标题冲突）	任意（后处理）	resolve_canonical.py

对于任何你打算呈现为相对完整的综述或发表场所枚举，请优先使用 resolve_papers.py：它会查询多个索引，按任意稳定 ID（DOI、arXiv、DBLP 或 anthology）去重后合并命中结果（不要求 DOI），在某个索引被限流或宕机时继续运行，并将结果标记为 COMPLETE 或 PARTIAL。单一提供方脚本适用于特定任务（查询 DOI、获取 DBLP 目录、查找最新 arXiv 预印本）——切勿将某个提供方没有结果视为论文不存在的证据。

详情、速率限制和故障转移矩阵：references/api-notes.md。

流程

1. 先解析发表场所身份（纯主题搜索时跳过）。 各 API 中的发表场所名称都不相同，字符串错误会悄无声息地返回零条结果。解析顺序：

   • venues/conferences/<id>.yml → aliases: 块（dblp_key、s2_venue、 crossref_container），前提是配置文件存在；
   • 否则查看 references/venue-aliases.md （约 20 个顶级发表场所，并注明各自的特殊情况：SIGSPATIAL = conf/gis、 VLDB = 按卷号归入 journals/pvldb、2023 年之后的 SIGMOD = PACMMOD、 NeurIPS 目录重命名、Crossref 中没有 ICLR/ICML……）；
   • 否则在线查找：运行 python3 scripts/dblp_search.py --find-venue "<name>"，然后按 venue-aliases.md 中的“添加或重新验证发表场所”操作。 如果发表场所配置文件提供了用户会据以判断的事实（计数、覆盖范围声明、附带提及的截止日期），请对照配置文件中的实时 cfp_url 和实时 API 重新核验；配置文件和别名表都可能过时，文件本身也有说明。

2. 确保已设置 CONTACT_EMAIL。 如有需要，请向用户索要邮箱：export [email protected]。切勿捏造邮箱。

3. 从技能目录运行合适的脚本（所有脚本都仅依赖 Python 3 标准库；均支持 --help、--json、--no-cache）：

   # Provider-agnostic fan-out (PREFER for surveys / "is this complete?"):
   # unions DBLP+Crossref+S2+arXiv, fails over on any outage, prints a
   # COMPLETE/PARTIAL coverage banner.
   python3 scripts/resolve_papers.py --query "trajectory similarity learning"
   python3 scripts/resolve_papers.py --venue-year --year 2025 \
       --dblp-key conf/gis --s2-venue "SIGSPATIAL/GIS" \
       --crossref-container "Advances in Geographic Information Systems"
   
   # Enumerate a venue-year (conference / journal volume / multi-volume toc)
   python3 scripts/dblp_search.py --key conf/gis --year 2025
   python3 scripts/dblp_search.py --key journals/pvldb --volume 18
   python3 scripts/dblp_search.py --toc db/conf/acl/acl2024-1.bht
   
   # Topic search with citation counts + OA PDFs (add --year to narrow)
   python3 scripts/s2_search.py --query "trajectory similarity learning" --limit 10
   
   # Venue search on S2 (exact venue string from the alias table!)
   python3 scripts/s2_search.py --venue "SIGSPATIAL/GIS" --year 2025
   
   # DOI-backed venue/date/type filtering
   python3 scripts/crossref_search.py --container SIGSPATIAL \
       --from-date 2025-01-01 --until-date 2025-12-31 --type proceedings-article
   
   # Fresh preprints
   python3 scripts/arxiv_search.py \
       --query 'cat:cs.DB AND abs:"spatial join"' --sort submittedDate
   
   # Expand a saturated seed set along the citation graph (see step 4)
   python3 scripts/citation_graph.py \
       --seed DOI:10.14778/3551793.3551844 --seed "<another on-topic title>" \
       --direction both --top 25
   

   脚本会自行遵守礼貌请求规范（每个主机每秒 1 个请求——DBLP 间隔 2 秒，arXiv 间隔 3 秒——带联系邮箱的 UA、429 指数退避、在 .cache/find-papers/ 下缓存 24 小时、每次仅获取单页）。不要循环运行脚本来绕过其分页上限；应改进查询。

4. 交叉核验、沿引用图扩展并补充信息。 按任意稳定 ID 去重，而不只是 DOI（DOI → arXiv ID → DBLP 键 → ACL-anthology ID）；若都没有，则回退到标准化后的标题+年份——resolve_papers.py 会为你完成这一合并。缺少 DOI 不是丢弃论文的理由：真实的 ML 会议论文集作品（ICLR/ICML/NeurIPS）和现代 EDBT 论文不会分配 Crossref DOI，但其 arXiv/DBLP/anthology ID 完全可以作为引用标识。要区分两种看起来相似、但必须采用相反处理方式的失败情况：任何地方都找不到可验证的标识符 → 作为不可用结果丢弃；某个提供方宕机 / 被限流 → 这不等于“0 个结果”——应在其他索引中重新查询该论文；如果仍未确认，则将其标记为 unresolved-keep，而不是因为单个索引未命中就丢弃。DBLP 提供权威的会议列表，但没有摘要或引文——逐篇补充感兴趣的结果： python3 scripts/s2_search.py --paper DOI:10.1145/3589132.3625571 --fields title,abstract,tldr,citationCount,openAccessPdf。arXiv 上的结果不等于已录用论文——在将其作为已录用论文介绍前，需通过 DBLP/Crossref 确认其会议录用情况。

   关键词 / 会议检索遍历饱和后必须执行（新查询返回的论文大多已在结果中）：主题搜索会系统性地漏掉三类仅隔一个引用边的内容——子领域赖以建立的基础性 / 开创性锚点、共享引用者但不包含你的关键词的直接竞争工作，以及每篇论文都会引用、但主题查询中都不会提及的共享基础设施依赖项。这些内容要沿边查找，而不是靠关键词；跳过此阶段是召回率偏低的最大原因。选取最切题的种子论文，运行引用图扩展：

   python3 scripts/citation_graph.py --seed DOI:<seed1> --seed "<seed2 title>" \
       --direction both --top 25         # refs=anchors/infra, citedby=competitors
   

   它会从 OpenAlex 获取两个方向的边（被引论文的参考文献 + 引用该论文的文献；在缺少密钥的情况下，以 Crossref 的 reference 数组作为参考文献回退），并按共引度重新排列邻居——即每篇邻居与多少个种子论文有关联——以便将关键词检索无法发现的高关联度枢纽排到前面。接下来：

   • 基础性 / 开创性锚点扫描，按主题簇进行：运行 --direction refs，阅读全局引用数最高的结果，并确认每个主题簇都包含显而易见的基础工作（基础模型、标志性数据集、开创性方法）；若缺少，则说明存在召回缺口。
   • 覆盖细分方向，而不只是经典工作：从简报中提取有辨识度的机制名词短语（具体命名的技术 / 组件 / 损失，而非泛化主题词），构造范围窄、目标明确的查询；将新发现的切题结果加入种子并再次扩展。

   每个图邻居都是候选项，而非结果——介绍前须确认会议 / 录用情况，并说明其出现的原因（种子度数、边），由用户决定范围。方法和端点见：references/citation-graph-expansion.md。

5. 解析到规范实例，而不只是某个匹配项。 当用户指定了某篇论文（而非搜索某个主题）时，按相关性排序的搜索很容易返回一个相邻实例：它虽通过了简单的存在性检查，却不是正确的引用对象。例如，社区已有规范的后续版本时，搜索结果可能是较早版本（版本 / 版次漂移）；也可能是共享第一作者且标题近似重复的另一篇论文（标题冲突）。在介绍任何单篇“该”论文之前，应先使用检查工具处理候选项：

   # pipe a title search straight in (works with any search script's --json)
   python3 scripts/s2_search.py --query "<the named title>" --json \
       | python3 scripts/resolve_canonical.py --stdin --title "<the named title>"
   

   它会将近似重复的标题聚类，标记 [VERSION DRIFT] 和 [TITLE COLLISION]，并通过一行 CHOOSE: 说明标出一个 PREFERRED 选项（版本漂移时选最新的规范版本；标题冲突时选影响力最高或年份最早的奠基性论文）。PREFERRED 选项只是建议——应展示同组论文，让用户审慎选择。绝不要悄悄将整个簇合并为一条记录。

   如果同组记录共享稳定 ID，但表面标题不同，解析器会输出 title_variants（该作品出现过的所有不同标题）。先按稳定 ID 匹配和去重，再按标题处理——同一 DOI/eprint 的另一种标题是别名，而非另一篇论文，绝不能将其计为未命中。选定实例后，将条目的标题字段替换为 API 针对该确切 ID 返回的规范字符串，而不是凭记忆或手动输入标题，并在备注中保留各个变体，以便审计所选形式。这样可以避免书目和语料库中同一作品的标题出现分歧。

6. 交接。

   • 需要全文 → 使用 fetch-paper 技能（Unpaywall/arXiv/ACM-OA，按需获取，临时处理）。
   • 结果将用于书目或任何书面论述 → 使用 verify-citations 技能。绝不要输出本技能实际上并未检索到的引文。

输出

以 Markdown 表格形式呈现去重后的结果列表（标题、作者、年份、出版场所、DOI/arXiv ID、引用数、开放获取链接），并附上实际使用的确切脚本命令（以便复现搜索）。如果要将结果传入用户要求的文件，请使用 --json。如实报告总数与展示数量；如果某个提供方失败（例如 S2 的 429 错误重试耗尽），应明确说明，不要凭记忆填补缺失内容。

为每条结果标注证据等级，并确保标题为规范形式。 如果某条结果仅来自引文图边或单个关键词命中，它只是一个候选项，而不是对某篇特定论文的已确认引文：请标注来源（图谱 / 关键词 / 种子节点度数），让下游使用者可以按置信度筛选，而不是将所有条目视为同等可靠。如果目标是论文参考文献中的一个已知子集，应单独报告该子集的召回率，并报告相对于预期完整数量的精确率范围——绝不要将额外抓取的邻近论文与已确认命中项以同等置信度呈现。对于每条保留的记录，都应从其已解析 ID 对应的规范记录中逐字获取标题（不要手动输入或凭记忆填写），并规范化为出版方/DOI 规范的大小写形式；在任何 BibTeX 中，专有名词和首字母缩略词都应加上大括号，以保留其出版时的形式——这样可以避免标题虽然通过模糊匹配，却未通过严格字符串查询。

始终明确报告覆盖情况判定。 使用 resolve_papers.py 扩展搜索范围时，应向用户重述其 COMPLETE/PARTIAL 标识及各提供方的状态。如果运行结果为 PARTIAL——任何权威索引无法访问或受到速率限制——请明确说明结果仅供参考，可能因提供方原因而非相关性原因遗漏真实且相关的论文；并提出稍后重试或使用 S2_API_KEY 重试。绝不要将降级运行结果说成穷尽式搜索，也绝不要悄悄缩小范围，只采用恰好有响应的那个提供方。

参考资料

• references/venue-aliases.md — 四个 API 中约 20 个顶级出版场所的别名表、各出版场所的注意事项、验证来源，以及如何添加出版场所
• references/api-notes.md — 各 API 的操作说明、速率限制、许可、回退矩阵，以及提供方覆盖/优雅故障转移约定（resolve_papers.py）
• references/citation-graph-expansion.md — 引文图召回阶段：边方向、共同引用重排序、基础性锚点扫描、由论述驱动的细分领域检索，以及无需密钥的 OpenAlex/Crossref 端点

防护措施

• 绝不捏造论文、DOI、引用次数或“我找到了 N 篇论文”之类的声明——所有展示的结果都必须来自本次会话中的实际 API 响应。文献条目必须通过 verify-citations 核验。
• 提供方中断 ≠ 没有结果，只有一个提供方存活 ≠ 搜索完整。索引不可用或触发速率限制时，切换到其他索引（任何“完整”声明都至少需要 2 个独立索引），遇到单个索引未命中时，将未经确认的论文保留为 unresolved-keep，而不是直接丢弃，并将本次运行标记为 PARTIAL。论文有 arXiv / DBLP / anthology ID 时，缺少 DOI 绝不是丢弃论文的理由。绝不能将 PARTIAL 运行报告为穷尽式搜索。
• PARTIAL 运行是需要重试的关卡，而不是终点。 脚本在放弃前已经会以指数退避方式重试 429/5xx；如果运行仍返回 PARTIAL（某个提供方已耗尽重试次数），不要因为存活的索引“碰巧覆盖”了目标就接受其为已完成——否则召回就只能靠运气。在声明本轮已完成之前，应在冷却一段时间后重新执行失败的环节（并为 Semantic Scholar 提供 S2_API_KEY），或改用等效的提供方。如果某个目标只能通过回退路径找回，必须在溯源信息中明确列出该标题，以便审查这一缺口，而不是悄然将其略过。
• 按必需的聚类检查完成情况，而不只是按运行检查。 对于范围界定标记为核心的任何聚类（直接竞争对手或主要贡献聚类），只有在至少 2 个独立索引实际响应了该聚类的查询后，才可视为已覆盖；即使整体运行标记为 COMPLETE，仅由一个存活的提供方确认的核心聚类也属于降级状态，而非已完成。
• 对于指定论文，仅确认其存在还不够：较早的版本或同一作者的近似重复标题，可能会通过简单匹配，却对应了错误的引用。使用 resolve_canonical.py 解析候选项，优先选择最新的规范版本 / 影响力更高的实例，并列出相关条目供用户选择——绝不能在未标明的情况下自动合并为一条。
• 引用图邻居（citation_graph.py）是召回候选项，不是结果：展示前必须确认会议 / 接收情况，绝不能将原始邻居计为“找到的论文”，并说明种子论文的度数 / 边缘关系原因，让人工决定范围，而不是自动纳入。
• 版权：元数据可安全使用（DBLP 为 CC0，Crossref 提供事实信息）；摘要和全文按需获取并临时处理——绝不能将其提交到代码仓库或打包到输出中。展示 Semantic Scholar 数据时，注明其许可为 ODC-BY。
• 遵守内置的速率限制；绝不批量抓取，绝不翻阅整个语料库，绝不从请求中删除联系邮箱。
• 绝不代表用户向任何系统提交任何内容。