互联网开放论文知识图谱深度调研报告
互联网开放论文知识图谱深度调研报告
面向「论文写作辅助网站」的数据资源选型与对比分析
一、执行摘要
为构建「辅助论文写作」之网站，数据底座宜取开放、可商用、结构化之论文知识图谱。经深度调研，可得结论如下：
4.77亿
OpenAlex works（首选主骨架）
22亿
OpenCitations 引文边（CC0）
1350万
NCPSSD 中文社科全文
22项
中英文开放资源盘点
- 首选主骨架：OpenAlex（CC0、约 4.77 亿 works、REST API + 季度快照、活跃维护）综合性最强、合规最稳，当为文献索引与引用网络之核心。
- DOI 与引文主干：Crossref（CC0，1.76 亿 DOI）+ OpenCitations/COCI（CC0，22 亿条引文边）补足规范引用与开放引文图。
- 全文与语义：S2ORC、arXiv、PubMed/PMC 供全文挖掘；Semantic Scholar (S2AG) 提供 TLDR 与引文推荐，但许可 CC-BY-NC，仅限非商用。
- 方法/任务/数据集：Papers with Code 已于 2025-07 被 Meta 关停，历史数据冻结于 GitHub 归档，2026 年由
paperswithcode.co以 AI 智能体重建复活。 - 中文短板显著：真正开放可批量取数之中文资源稀缺——NCPSSD（1350 万篇中文社科全文）与 AMiner/OAG（中文作者/机构覆盖强）可用，而 CNKI/万方/维普/CSCD 皆为付费墙或不开放。
- 最大风险：中文开放论文数据稀缺且授权封闭，叠加全文版权与引文时效滞后，须以合规来源为主、中文做有限增强而非核心依赖。
二、调研背景与目标
论文写作辅助网站之核心能力——文献检索、引文建议、选题 gap 发现、概念图谱、综述生成——无不依赖结构化、可关联之学术数据。知识图谱（KG）因显式建模「论文—作者—机构—期刊—概念—数据集—方法」诸实体及其关系，尤适于此类场景。
本报告目标：盘点互联网上当前可用、开放之论文知识图谱（中英皆备），从覆盖规模、KG 结构、访问方式、数据许可、中文覆盖、活跃度、写作适配度等维度对比，给出面向论文写作网站之数据组合建议。
三、方法论
依「并行探索」之法，分四路代理同时出击，各探一类资源，返结构化 markdown 与可入表之数据，并引官方源；后对三处关键断言（Papers with Code 停服、OpenAlex 现规模、OAG 最新版）做 WebSearch 交叉核验，确保立论准确。
四、资源全景与分类
按功能将开放论文知识图谱归为四类：
- 综合型主索引 KG：OpenAlex、Semantic Scholar (S2AG)、MAG（已停）、OAG、DBLP、arXiv、PubMed/PMC、Crossref
- 引文与专项 KG：OpenCitations/COCI、WikiCite/Wikidata、ORKG、CiteSeerX、Connected Papers
- 全文语料：S2ORC、arXiv、PubMed/PMC
- 中文开放资源：AMiner/OAG、OpenKG.cn、NSTL、NCPSSD、CSCD、万方/维普/CNKI、中科院 GoOA、CN-DBpedia
五、英文主流开放论文知识图谱
OpenAlex ★ 首选
运营方：OurResearch（非营利 501(c)3）
规模：约 4.77 亿 works、1.16 亿作者、10 万机构、6.5 万概念、20 亿+ 引文
实体：works / authors / sources / institutions / topics / funders / geo
关系：引用·被引、署名、机构隶属、主题归属、资助
访问：REST API + 季度快照；无需 key，
mailto 礼貌池可提至百万级/日CC0 可商用 活跃（2025 末 Walden 重写；核心数据永久免费）
Semantic Scholar (S2AG)
运营方：Allen Institute for AI
规模：2.14 亿+ 论文、7900 万作者、24.9 亿引文，含 SPECTER2 向量
实体：papers / authors / venues / citations / fields of study
访问：REST API
graph/v1 + 批量数据集；免费约 1 req/sAPI CC0 批量 ODC-BY · 非商用 活跃
Microsoft Academic Graph
现状：已于 2021-12-31 停用，由 OpenAlex 接续
实体：论文/引文/作者/机构/期刊/会议/领域
访问：原 Azure / Cognitive Services API 皆关闭
停服 不建议作为新项目依赖
Open Academic Graph (OAG)
运营方：清华 AMiner + 微软研究院
规模：v3.1（2024-02）约 7 亿实体、20 亿关系
实体：论文/作者/机构/会议/领域；关系：跨图匹配+引用+合著
访问：批量下载（分卷 zip，数十 GB）
ODC-BY 中活跃（研究用途为主）
DBLP
运营方：Schloss Dagstuhl – Leibniz Center
规模：约 810 万文献、390 万作者（CS 为主）
实体：论文/作者/期刊/会议；dblp KG 为 RDF 视图
访问：XML dump（每月）+ SPARQL + 查询 API
CC0 适配：CS 权威，但无引文网络、学科偏科
arXiv
运营方：Cornell University
规模：>240 万 e-prints（物理/数学/CS 等）
实体：论文（含版本）/作者/分类；关系：引用、分类、版本
访问：OAI-PMH + Atom API；元数据 CC0
元数据 CC0 适配：预印本追踪 + 全文，非同行评审
PubMed / PMC
运营方：NCBI / NLM（美国国立医学图书馆）
规模：PubMed >3900 万引文；PMC >1100 万全文
实体：引文/作者/期刊/MeSH/全文；关系：引文、MeSH 标注
访问：E-utilities API、FTP 基线/日更
元数据公共域 适配：生物医学必备
Crossref
运营方：Crossref（非营利）
规模：>1.76 亿 DOI 元数据、23600+ 成员
实体：文献(DOI)/期刊/出版商/基金/作者
访问：REST API + 年度公共数据文件（197GB）
CC0 适配：DOI 解析与规范引用主干
六、英文补充型学术图谱与引文 KG
OpenCitations / COCI ★ 引文边
非营利基础设施；Index 2025-07 超 22 亿条引文（Crossref/NIH-OCC/DataCite 等）
实体：出版物(OMID)；关系：
cites(OCI)、is-referenced-by访问：REST API + SPARQL + CSV/N-Triples；无需 key
CC0 适配：引文网络/被引分析极佳
WikiCite / Wikidata
Wikidata 约 4100 万「scholarly article」项；2025-05 拆出独立 SPARQL 端点（约 80 亿三元组）
关系：
cites work(P2860)、author(P50)、published in(P1433)、DOI(P356)CC0 适配：跨语言实体消歧、作者/机构画像
Papers with Code 关停+复活
2025-07-24/25 被 Meta 关停，原站重定向 Hugging Face；历史数据冻结于 GitHub 归档
2026 年由 paperswithcode.co 以 AI 智能体重建复活，SOTA 排行榜回归
结构：<任务, 数据集, 指标> 元组 + 排行榜 + 代码链接
归档+复活 适配：ML 任务/方法/数据集关联参考
Connected Papers
商业，基于 Semantic Scholar；按种子论文生成共引/书目耦合相似图
无开放 API（需 key，商用受限）
商用受限 仅可有限调用，不适作数据源
S2ORC
Allen AI；8110 万论文节点，其中 810 万 OA 全文结构化；467M+ 引文边
实体：论文/章节/引用提及/图表；关系：引文边、行内引用→论文
CC0(限) 适配：全文挖掘、方法/图表抽取最佳
CiteSeerX
宾州州立（NSF）；1000 万+ 文档、1 亿+ 引文（CS 为主）
访问：REST API + OAI-PMH + S3 快照
开放 适配：CS 历史文献全文独特，但老化
ORKG
TIB（德）；以「问题—方法—结果」结构化描述论文，支持对比/排行榜
访问：REST + RDF；数据 CC BY-SA
CC BY-SA 适配：方法对比结构化
不开放反例
Google Scholar：无官方 API，禁自动化
ResearchGate：社交平台，无开放 API，版权限制
CNKI（知网）：商业付费、机构授权，无公开 API
七、中文开放论文资源与知识图谱
AMiner / OAG 中文
OAG 数据集真正开放可批量下载（ODC-BY），但中文论文占比低
AMiner 含 3.31 亿论文、1.35 亿学者，中文作者/机构覆盖强
适配：中文作者机构画像佳，中文全文稀缺
OpenKG.cn ★ 社区
真正开放，数据可下载（RDF/JSON/CSV）；337 数据 + 71 工具
学术子图：SciKG、CS-ArXiv-Citation-KG、CN-DBpedia、PKUPie、新冠科研图谱
局限：学术子图多为英文 arXiv 或通用百科，无专门「中文论文」KG；宜作 schema 参考
NSTL 国家科技图书文献中心
检索免费；全文靠原文传递（注册、每日限额），非批量开放下载
以外文保障为主，中文覆盖弱；不适作开放数据底座
NCPSSD ★ 中文全文最佳
真正开放获取，注册后免费在线阅读/下载 PDF
文献总量 2500 万条；中文社科期刊 2380 种、论文 1350 万+篇
局限：偏哲社、缺理工；无开放 API，须评估合规
CSCD 中国科学引文数据库
中科院文献情报中心；不开放，机构订阅（WoS 版），主页仅检索
引文数据仅机构端可得，无法批量取数
万方 / 维普 / CNKI
均不开放：机构/IP 订阅或付费，无公开 API，禁止批量抓取
中文最全但「围墙花园」，仅网页检索/题录导出
中科院 GoOA
GoOA：OA 论文发现，1700+ OA 刊，开放免费下载（可用）
学术知识图谱（4 亿+ 实体、60.5 亿+ 关系）不开放，仅支撑内部系统
复旦 CN-DBpedia
900 万实体、6700 万三元组，Dump 可下载（科研许可）
但属百科非论文 KG
中文小结：真正开放可用：OAG（下载，中文少）、OpenKG 子图、NCPSSD（中文全文最佳）、GoOA、CN-DBpedia；仅检索不开放：CSCD、万方/维普/CNKI、NSTL 传递、中科院内部 KG。中文开放学术论文知识图谱仍是空白，建议以 NCPSSD 全文 + OAG 引文 + OpenKG schema 组合构建。
八、综合对比矩阵
图例：实体 P 论文 / A 作者 / I 机构 / V 期刊会议 / C 概念领域 / D 数据集 / M 方法 / T 任务；关系 ci 引用 / au 署名 / af 隶属 / tp 主题 / da 数据集关联。★ 数表示写作适配度（五星最高）。
| 资源 | 类型 | 实体覆盖 | 关系 | 全文 | API/访问 | 许可 | 中文 | 活跃 | 写作适配 |
|---|---|---|---|---|---|---|---|---|---|
| OpenAlex | 综合 | P A I V C + | ci au af tp | ~60M OA | REST+快照 | CC0 | 中 | 高 | ★★★★★ |
| Semantic Scholar(S2AG) | 综合 | P A V C +向量 | ci au tp | 部分 | REST API | CC-BY-NC | 弱 | 高 | ★★★★☆ |
| MAG | 综合(停) | P A I V C | ci au af | 无 | 已停(2021末) | 停服 | 弱 | 低 | ✕ |
| OAG | 综合(研究) | P A V + | ci au | 无 | 批量dump | ODC-BY | 中 | 中 | ★★★☆☆ |
| DBLP | 综合(CS) | P A V(CS) | au | 无 | XML+SPARQL | CC0 | 弱 | 高 | ★★★☆☆ |
| arXiv | 预印本 | P(预印本) | ci tp | 全 | OAI-PMH+API | CC0 | 弱 | 高 | ★★★★☆ |
| PubMed/PMC | 生物医学 | P A V +MeSH | ci | PMC 1100万+ | E-utilities+FTP | 公共域 | 弱 | 高 | ★★★★☆ |
| Crossref | 元数据 | P A V | ci(参考) | 无 | REST+年度文件 | CC0 | 中 | 高 | ★★★★★ |
| OpenCitations/COCI | 引文KG | 文献(OMID) | ci | 无 | REST+SPARQL | CC0 | 弱 | 高 | ★★★★☆ |
| WikiCite/Wikidata | 实体KG | 混合 | ci au tp | 无 | SPARQL+RDF | CC0 | 中 | 高 | ★★★☆☆ |
| Papers with Code | 任务KG | P T M D | da tp | 无 | 原API停;归档+复活 | MIT/CC-BY | 弱 | 中 | ★★★★☆ |
| Connected Papers | 可视化 | P | ci(相似) | 无 | 无开放API | 商用受限 | 弱 | 高 | ★★☆☆☆ |
| S2ORC | 全文语料 | P(语料) | ci | 810万OA | JSON下载 | CC0(限) | 弱 | 低 | ★★★☆☆ |
| CiteSeerX | CS库 | P A(概念) | ci | 部分 | REST+OAI | 开放 | 弱 | 低 | ★★☆☆☆ |
| ORKG | 结构化KG | 问题/方法/结果 | 结构化 | 部分 | REST+RDF | CC BY-SA | 弱 | 中 | ★★★☆☆ |
| AMiner/OAG中文 | 中文综合 | P A I V C | ci au af | 部分 | 下载/申请 | 研究许可 | 强 | 中 | ★★★★☆ |
| OpenKG.cn | 中文KG社区 | 概念/实体 | tp | 无 | 下载 | 多样 | 强 | 中 | ★★☆☆☆ |
| NSTL | 中文题录 | 元数据 | — | 传递(限) | 检索/传递 | 国内授权 | 强 | 中 | ★★☆☆☆ |
| NCPSSD | 中文社科 | P(社科) | ci | 1350万OA | 检索/下载(无API) | 国内授权 | 强 | 中 | ★★★★☆ |
| CSCD | 中文引文 | P(中科) | ci | 无 | 需订阅 | 商用授权 | 强 | 中 | ★★★☆☆ |
| 万方/维普/CNKI | 中文综合 | 全 | 全 | 全文(墙) | 不开放 | 付费墙 | 强 | 高 | ✕ |
| 中科院GoOA | 中文OA | OA论文 | — | 可下载 | 检索/下载 | OA | 强 | 中 | ★★★☆☆ |
| CN-DBpedia | 中文百科 | 实体(百科) | — | 无 | Dump下载 | 科研许可 | 强 | 中 | ★★☆☆☆ |
九、面向论文写作网站的推荐技术栈
采用分层数据组合，以开放合规来源为主，中文做有限增强：
① 索引与引用骨架层
OpenAlex（主元数据+引用，CC0）
Crossref（DOI+参考文献权威，CC0）
OpenCitations/COCI（开放引文边，CC0）
② 语义与推荐层
Semantic Scholar S2AG（TLDR+引文推荐，非商用）
Papers with Code（ML 任务/方法/数据集，归档/复活站）
③ 全文挖掘层
S2ORC（结构化全文语料）
arXiv（预印本全文）
PubMed/PMC（生物医学全文）
④ 中文增强层
AMiner/OAG（中文作者/机构）
NCPSSD（中文社科全文）
OpenKG.cn / Wikidata（概念实体消歧）
速率与合规提醒：OpenAlex 加 mailto 提至百万/日，批量作业直接下快照；S2/Papers with Code/Connected Papers 含非商用或停服限制，商用须避开；中文资源多国内授权，须评估合规。
十、风险与局限
① 中文开放数据稀缺且授权封闭：NSTL/CSCD/CNKI/万方/维普难直接商用，须以合规来源为主、中文做有限增强。
② 全文版权：S2ORC/PMC/arXiv 之 OA 全文可挖，但订阅期刊全文受版权约束，综述生成须注明来源与许可。
③ 引文时效滞后：开放引文（OpenCitations 等）较出版滞后数月至一年，实时性弱于商业库。
④ API 计费转向：OpenAlex 2026 Q1 起 API 转向 credits 计费，重度调用需预算；核心数据仍免费。
⑤ Papers with Code 不确定性：原站关停，复活站（paperswithcode.co）由 Agent 维护，数据与 API 稳定性待观察。
十一、参考来源
- OpenAlex 官方：openalex.org ｜ 关于页 help.openalex.org ｜ 2026 路线图 blog.openalex.org
- Semantic Scholar API：api.semanticscholar.org
- Open Academic Graph：xuezheku.aminer.cn ｜ open.aminer.cn
- DBLP：dblp.org ｜ arXiv 批量：info.arxiv.org
- PubMed/PMC：ncbi.nlm.nih.gov ｜ Crossref：crossref.org
- OpenCitations：opencitations.hypotheses.org ｜ WikiCite/Wikidata：wikidata.org
- Papers with Code 关停与复活：codesota.com ｜ 复活报道 myzaker.com
- Connected Papers：connectedpapers.com ｜ S2ORC：github.com/catalyst-plus/s2orc
- CiteSeerX：citeseerx.ist.psu.edu ｜ ORKG：orkg.org
- AMiner：aminer.cn/data ｜ OpenKG.cn：openkg.cn
- NSTL：nstl.gov.cn ｜ NCPSSD：ncpssd.org ｜ GoOA：gooa.las.ac.cn ｜ CN-DBpedia：kw.fudan.edu.cn
💬 讨论回复 (0)
推荐
🌟 智谱 GLM-5 已上线
我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用，智谱新一代旗舰模型 GLM-5 已上线，在推理、代码、智能体综合能力达到开源模型 SOTA 水平。
🎁 领取 2000万 Tokens