Connected Papers

Connected Papers 的核心价值在于将复杂的文献关系转化为直观的知识图谱。用户只需输入论文标题、DOI 或 arXiv ID，系统便会基于 Semantic Scholar 数据库（覆盖超 1.8 亿篇文献）构建关联图谱。图谱中每个节点代表一篇论文，节点大小反映被引次数，颜色深浅表示发表年份（颜色越深越新），节点间连线粗细则体现文献内容的相似性。例如，输入 “Attention is All You Need” 这篇 Transformer 领域的奠基性论文，图谱会自动聚合 BERT、GPT 等后续经典模型，形成以注意力机制为核心的研究集群，用户可通过点击节点直接查看摘要、访问原文，甚至跳转至 Semantic Scholar 获取更详细的文献信息。

该工具还提供 “Prior Works”（先驱工作）和 “Derivative Works”（衍生工作）视图：前者通过高亮显示被频繁引用的论文，帮助用户追溯领域源头（如深度学习中的 LeCun 1998 年的卷积神经网络论文）；后者则展示受当前文献启发的近期研究，适合跟踪领域前沿。例如，在分析某篇癌症检测论文时，“Derivative Works” 可能列出基于其方法改进的新型生物标志物研究，或跨领域应用（如将算法迁移至阿尔茨海默病检测）。

Connected Papers 尤其适合文献综述写作和研究选题阶段。在文献综述中，用户可通过图谱快速识别高影响力论文（如被引超千次的经典研究）、争议性结论（如某方法在不同实验条件下的效果差异）及跨学科交叉点（如 AI 在材料科学中的应用）。例如，输入 “锂离子电池循环寿命” 相关论文，图谱会自动聚类出电解液配方、电极结构、温度控制等子领域，帮助用户系统性梳理研究分支。

对于研究选题，工具的 “Similarity Ranking” 功能可按与初始论文的相似度排序推荐文献，辅助发现研究空白。例如，若某领域多数研究集中在实验室环境，而实际应用中的耐久性研究较少，图谱中该方向的节点可能较为稀疏，提示用户这是潜在创新点。此外，其与 arXiv 的深度合作（每篇 arXiv 论文摘要页均嵌入关联图谱链接），可帮助用户实时追踪预印本中的最新进展，避免错过尚未正式发表的突破性成果。

Connected Papers 的交互设计极为友好，无需复杂学习即可上手。免费版支持每月 5 次搜索，生成的图谱可导出为 PNG 或 SVG 格式，方便插入论文或报告；付费会员（约 10 美元 / 月）则解锁无限搜索、PDF 批量上传分析及高级筛选功能（如按作者、机构、期刊过滤文献）。工具还提供 “Graph History” 功能，允许用户回溯历史搜索记录，对比不同时间点的领域发展变化。