UncoverletterforConnectedPapers

文章主题：文章关键词: 文献, 网络图, 开创性文献, 相关性分析

666AI工具大全，助力做AI时代先行者！

学术AI 工具版图中的又一利器，Connected Papers！只要你的研究主题在手，整个研究文献网络随你走！

你也许碰到过如下窘境：

好容易找到了一大堆主题相关的文献，找不到主线，更形成不了网络…

论文写完了一段，下面一段立马又没思路了…

想着好好在Presentation时表现一下，没有好的可视化素材…

如果有的话，那就看看Connected Papers能否帮上你吧！

你可以使用Connected Papers (CP)来做的事情：

1. 直观地了解新的学术领域

输入一篇典型论文，CP可以构建该领域类似论文的图表。并且，你可以继续探索发现感兴趣论文，系统会构建更多的图表。

很快你就会对您感兴趣领域的发展趋势、当前主流的研究工作和动态有一个真实、直观的了解。

2. 确保你没有错过重要论文

比如在机器学习等领域，发表的新论文太多，很难跟踪。通过 Connected Papers，你可以搜索并直观地发现最近的重要论文。

3. 为你的论文创建参考目录

从你的参考目录中肯定需要的参考文献开始，然后使用网络图中连接的论文来填补空白，并通过这些论文找到其余的文章！

4. 发现最相关的开创型文献和衍生文献

使用CP的“Prior Works”视图来查找您感兴趣的领域中的重要开创性文献。同时，也可以使用CP的“Derivative Works”视图查找该领域的文献综述，以及您输入论文之后，最近发表的最新前沿的文献。

CP的基础文献数据库，是由Sematic Scholar提供的，因此，文献的全面性和及时性也得到了保障。

下面我们具体实践

一下～

1. 首先输入一篇文献至搜索框，这是arXiv上最新的一篇文献；

2. CP给出了该篇文献的具体信息；

3. 完美的时刻到了！CP将该文献的网络图在3秒之内就生成了！

其中，左边是文献列表，展开之后如下：

注意，这些展示出来的文献，并非原文献的直接参考文献！

此外，这些文献整理出来的理由是因为，Similarity to origin，也就是和原文献的相似度怎样。

接下来我们看正中间的这个网络图，必须要说明一下怎么看这个张图：

a. 每个节点都是与原始论文相关的学术论文；

b. 论文根据相似度排列（再次注意，这不是引文树）；

c. 节点大小是引用次数；

d. 节点颜色为出版年份

e. 相似的论文有很强的连接线并且聚集在一起。

所以这张图可以成为文献综述当中Related Works的重要参考材料！

最右侧是你所选中文献的标题和摘要，你可以通过这两部分内容，来决定CP所显示的相关性，与你所了解的相关性是否吻合；

当然，在阅读完标题和摘要，仍然无法确认相关性时，你可以下载pdf或者在线阅读全文。

4. 接下来，你可能会发现其中某些文献的相关性非常高，比如下面这篇；

那么，你可以进一步对这篇文献进一步挖掘

。

我们可以基于这篇文献，再次打开Graph。

那么，以新的文献作为开创性文献，一个新的网络图就此生成。

为了确保你对领域内的文献有足够的了解，你可以反复参考网络图中的文献进行相关性分析。当所有候选相关文献的重复率可以达到一个特定程度时，这意味着你已对这一领域的文献进行了全面的深入阅读，对该领域有了较为全面的把握。

这里有一点要说明的是，由于不断的新增网络图，可能会让你失去聚焦，因此，每一张新的网络图，CP会创建一个新的网页

，这样一个一个网页阅读过去，就不会丢三落四了。

5. 接下来这个功能特别棒！即Prior works和Derivative works，非常有助于找到真正开创性和衍生性文献！

CP是怎么做到的呢？

没错！就是在网络图当中所有文献中，所引用文献的cited次数相对较多的文献，就是开创性的文献！

算法很简单，但是非常有效，下面我们看下吧～

点击Prior works，所有开创性文献即展示出来；

比如如下这篇，是因为有4篇文献引用过，因此被认为是Prior Works。

接下来是Derivative works。

原理和Prior works差不多，受网络图中许多论文启发的最新相关文献。

这样，前因后果都理清楚了。

以上，主要的功能基本走了一遍，免费版本下主要功能都是支持的，当然，收费版本又会有怎样的不同呢？

免费版本：一个月5张图 （当然，你也可以考虑用多个邮箱来注册）

收费版本：出图无限制

以上，Connected Papers的主要功能过了一遍，使用起来的体验还是很平滑的，从输入文献，到建网络图，再到Prior works和Derivative works 都非常容易上手。

从应用场景来看，非常适合做快速的文献综述，尤其是通过相关度，再把prior works和derivative works一拉，文献综述中的related work部分，几乎信手拈来！

当然，其中的Similarity值需要我们在阅读标题和摘要时，仔细斟酌，网络图中的文献是否真的是相关。

此外， 其他的功能大家也可以自行尝试。

参考文献

[1]https://www.connectedpapers.com/

[2]https://www.connectedpapers.com/about

[3]https://www.connectedpapers.com/pricing

HAVE FUN!

Lets SciChat，你的专属AI学术和工程助手

来扫我吧~

AI时代，拥有个人微信机器人AI助手！AI时代不落人后！

免费ChatGPT问答，办公、写作、生活好得力助手！

搜索微信号AIGC666aigc999或上边扫码，即可拥有个人AI助手！