1173591564/scholar-platform/citation-network

触发

当用户说"分析引用网络"、"引用关系"、"领域脉络"、"谁引用了谁"、"桥接论文"时执行此流程。

前置条件

引用网络数据可从 parsed corpus 构建 引用网络已构建：python -m scholar graph-build

流程

Step 1: 全局网络统计

python -m scholar graph-stats
python -m scholar cite-network

获取引用网络的全局概览：

• Paper/Innovation 节点数
• CITES/HAS_CONCEPT/REPLACES/RELATED_TO 边数
• 已解析 vs 未解析引用数
• 孤立节点数
• Top 10 被引论文 + Top 10 桥接论文（基于 centrality 计算）

Step 2: 单论文引用分析

对用户关心的论文：

python -m scholar cite-network <ULID>

分析：

• 后向引用（backward）：这篇论文引用了哪些工作？→ 理解其知识基础
• 前向引用（forward）：哪些论文引用了这篇？→ 追踪其学术影响
• 引用深度：最长引用链有多长？

Step 3: 概念关联分析

使用内存概念图谱：

python -m scholar graph-query <概念ID>

查看：

• 该概念关联了哪些论文？
• 与该概念共现的其他概念有哪些？
• 概念的时间分布（哪年最活跃）

Step 4: 识别关键节点

利用 graph-stats 已计算的中心度数据：

• 高入度论文：被引最多的经典工作（in_degree）
• 高出度论文：综述性工作（out_degree）
• 桥接论文：bridge_score = in_deg * out_deg / (in_deg + out_deg) 最高的论文
• 引用路径：两篇论文之间的最短引用路径

Step 5: 时间线构建

结合论文的年份信息：

python -m scholar list-papers --year <Y>

按年份梳理引用关系，构建领域发展时间线：

• 哪些年份是关键突破期？
• 哪些论文标志着新方向的开始？
• 哪些概念在哪个时期最活跃？

Step 6: 输出

输出到 output/drafts/citation-network-<topic>.md：

## 引用网络分析: <topic>
 
### 网络概览
-节点: N 篇论文
-边: M 条引用关系
-...
 
### 关键论文
| 论文 | 年份 | 入度(被引) | 出度(引用) | 角色 |
|------|------|-----------|-----------|------|
| ...  | ...  | ...       | ...       | 经典/桥接/综述 |
 
### 发展时间线
<按年份梳理的关键事件>
 
### 子领域结构
<识别出的子领域及其关联>

注意事项

• 引用网络的质量取决于解析的 citations 字段覆盖率
• 部分论文引用的是库外论文（to_paper 为 null），需结合 arXiv 补充
• 图谱由 parsed corpus 与 sidecar 数据在本地构建，不依赖外部图数据库

Next Steps

引用网络分析完成后，自然的后续动作：

• `/paper-deep-dive` — 基于桥接论文和 REPLACES 关系，深入分析概念演化
• `/paper-recommendation` — 基于引用网络发现应该读但还没读的论文
• `/research-gap` — 从网络结构中的「断裂带」发现研究空白

传递数据：关键论文列表和桥接论文可直接传给 /paper-deep-dive 或 /paper-recommendation。