论文综述：SciAtlas 面向自动化科研的大规模知识图谱

一、论文是干什么的？

知识图谱是什么？把图书馆里每本书不只按类别摆放，还用绳子把互相有关系的书连接起来——谁引用了谁、谁研究同一概念……形成一张”知识网络”。基本单元是三元组：（实体A，关系，实体B），例如”论文甲→引用→论文乙”。

现有学术搜索工具的不足：

Google Scholar：关键词匹配，浅表且会漏掉使用不同术语的相关论文
Semantic Scholar：语义向量搜索，稍好但仍是”平面化”比较，无法理解”A引用了B，B又影响了C”这种深层逻辑关联

AI 科研助手的困境： 缺乏结构化知识地图作为锚点，AI 在探索复杂文献关系时容易产生”幻觉式引用”，而且每次搜索都需要 LLM 反复迭代，成本高昂。

SciAtlas 提供一张确定性的、结构化的”认知地图”，让 AI 代理在科研中有据可查。

二、核心方法与创新

图谱构建

原始数据来自 OpenAlex（开源学术数据库，4.8 亿论文），筛出 4300 万篇高质量英文论文，覆盖 26 个学科。

用 Qwen3-30B-A3B-Instruct（MoE 架构，激活仅 3B 参数）从每篇摘要提取 3–8 个核心关键词，形成 376 万关键词节点。再用 bge-large-en-v1.5 将标题和摘要编码为 1024 维语义向量，存入 Neo4j 图数据库。

图谱规模：

指标	数量
论文节点	4330 万篇
作者节点	1.097 亿
关键词节点	376 万
机构节点	12 万
总关系数	30 亿条
引用关系	2.14 亿

三路径协同召回 + 图重排序

普通搜索是”找距离最近的点”，SciAtlas 则是”考虑道路连通性，找真正最容易到达的目的地”。

检索时三条路同时走：

路径一：关键词匹配 — 从查询中提取关键词，在图谱关键词节点做精确和语义近似匹配（阈值 0.7）
路径二：语义向量搜索 — 查询转为 1024 维向量，分别基于标题和摘要向量检索候选，用 bge-reranker-large 重排序，按标题得分和摘要得分以 0.4:0.6 的比例加权合并
路径三：标题精确匹配 — 处理含具体论文标题或参考文献的查询

三路合并后，从种子节点出发做 2跳随机游走，沿引用边、关键词共现边探索”隐性关联论文”。最终排序综合三个因子：相关性（权重 0.35）+ 图拓扑支持度（权重 0.45）+ 引用影响力（权重 0.20）。

整个检索在 2 分钟内完成。

三、使用了哪些模型和计算资源？

组件	模型
关键词提取	Qwen3-30B-A3B-Instruct（MoE，激活 3B）
语义嵌入	bge-large-en-v1.5（北京智源研究院）
重排序	bge-reranker-large
图数据库	Neo4j（支持 Cypher 查询 + 1024 维向量索引）

构建基础设施： 暂无相关信息（处理 4300 万篇论文、构建 30 亿关系的规模极大，具体服务器和 GPU 配置未公开）。

使用方式： 用户无需本地 GPU，通过 http://scinet.openkg.cn API 访问即可，pip 安装轻量客户端即可调用。

四、实验结果

需要特别说明：论文 v1 版本仅有定性分析和案例演示，没有与 Google Scholar、Semantic Scholar 等工具的系统性量化对比。 作者在”局限性”一节坦承，构建量化评测基准是首要的未来工作。

目前可量化的信息：检索速度在 2 分钟内完成，覆盖 4300 万论文、26 个学科。

五、潜在应用与已落地应用

已开放：

GitHub 开源仓库（zjunlp/SciAtlas），已有 112 颗星，Python SDK 可 pip 安装
托管 API（scinet.openkg.cn），注册 Token 即可调用，无需本地部署
已整合进浙大 SciGraph 开放知识图谱平台（scigraph.openkg.cn）

六大应用场景：

文献综述自动化 — 输入研究方向，自动检索最相关论文，生成综述报告
研究想法定位 — 检验某个想法是否已有先行研究，找出创新点
想法生成 — 以某篇论文为锚点，探索周边知识空间，触发跨领域创新
研究趋势预测 — 分析某方向的论文时间序列，总结演进轨迹
相关作者检索 — 找到在特定方向上最具影响力的研究者
学者背景画像 — 根据作者所有论文自动生成研究轨迹报告

六、网络上的讨论与评价

论文于 2026 年 5 月 20 日发布，GitHub 仓库已有 112 颗星和 7 个 Fork，表明社区已有初步关注，但尚未形成大规模讨论。已被整合进浙大 OpenKG 平台，说明有机构层面的持续投入。

团队背景： 来自浙江大学 ZJUNLP 实验室，负责人陈华钧教授和张宁豫副教授是知识图谱与 NLP 领域高产研究者，代表性工作包括 EasyEdit（ACL 2024 知识编辑框架）和 AutoKG（用 LLM 自动构建知识图谱）。

客观评估： 论文的方法论设计完整，工程落地扎实（Neo4j + Python SDK + 托管 API）。主要局限是 v1 版本缺乏量化基准——在拿出与现有工具的严格量化对比之前，实际效果仍需进一步验证。适合当前用于快速获取某研究方向的文献全貌，或为 AI 科研代理提供结构化知识基础。

七、思维导图

mindmap
  root((SciAtlas))
    知识图谱规模
      数据来源 OpenAlex 43.3M篇论文
      图谱规模
        157M个实体节点
        30亿条三元组关系
        9种实体类型 12种关系类型
      部署 Neo4j图数据库
      关键词提取 Qwen3-30B 每篇3至8个关键词
      语义嵌入 bge-large-en-v1.5 1024维
        覆盖标题 摘要 关键词
    三路径协同召回
      路径一 关键词匹配
        精确匹配得分 score_exact = LLM相关性分s_llm
        向量匹配得分 score_vec = s_llm乘相似度
        关键词阈值 θ_kw = 0.7
      路径二 语义检索
        bge-large-en-v1.5初始召回Top-60
        bge-reranker-large重排至Top-15
        得分 0.4乘标题分 + 0.6乘摘要分
      路径三 标题匹配
        得分 0.65乘序列相似度 + 0.35乘token重叠率
    图传播算法
      带重启的随机游走 Random Walk with Restart
      转移概率 P(v|u) = 边权重除以邻居权重总和
      迭代公式 r_v_t+1 = α乘s_v + 1-α乘邻居传播
      重启概率 α = 0.15
      收敛条件 L1变化小于1e-6 或最多50次迭代
    边权重配置
      HAS_KEYWORD边 ω = 1.20 乘 κ 乘 rel
        κ为关键词稀有度加权
      CITES引用边 ω = 1.00
      COAUTHOR合作边 ω = β 乘 max(1, log(1+n))
      COOCCUR共现边 ω = β 乘 max(1, log(1+n))
        对数频率平滑避免高频关系主导
    最终排名公式
      s_final = 0.35乘预检索分 + 0.45乘图传播分乘门控 + 0.20乘影响力分
      图支撑门控 g_p = max(0.25, 预检索分)
      防止低预检索分文章通过图传播虚假升排
    检索性能
      每次查询返回Top-20论文
      附带详细得分分解和路径解释
      2分钟内完成全流程
    六大下游应用
      文献综述自动生成
      研究思路落地性评估
      创新点生成 含新颖性调节
      研究趋势预测
      相关学者检索
      学者背景画像自动生成
    工程落地
      Python SDK开放访问
      托管API服务
      浙大OpenKG平台集成
      GitHub已获112 Star