概述
Connected Papers 是一个面向学术界的可视化文献关系探索工具，用户通过输入论文的 DOI、arXiv ID、论文 URL 或标题，即可生成一张显示相关论文之间相似性与引用关系的交互式图谱。该平台以 直观的图形化呈现 与 基于语义相似度的检索 为核心，帮助研究者快速建立对某个研究领域的整体认知，并找出可能被忽略的重要文献。
核心能力
-
图谱构建: 根据输入的论文建立以节点与连边表示的相关论文网络，节点代表论文，连边表示语义或引用关系，支持交互式放大、缩小与导航。
-
Prior Works 与 Derivative Works 视图: 提供专门的视角来识别先行工作（祖先论文）和衍生工作（后续论文/综述），便于区分研究脉络中的关键里程碑与最新进展。
-
多种输入方式: 支持 DOI、arXiv、Semantic Scholar、PubMed 链接或直接的论文标题输入，适配不同来源与用户习惯，快速启动图谱构建。
-
基于 Semantic Scholar 的覆盖: 借助 Semantic Scholar 的大规模学术数据库，能够跨学科检索数以百万计的论文，适用于机器学习、生物学、人文社科等多个领域。
-
辅助文献管理与发现: 帮助用户识别可能遗漏的重要参考文献，便于为论文或毕业论文构建更完整的参考书目，并支持将发现的论文作为进一步探索的起点。
使用场景
-
领域入门：当你对一个新研究方向不了解时，输入一篇代表性论文即可获得领域内相关工作的一张“地图”，迅速把握主要流派与重要作者。
-
文献回顾与综述写作：通过 Prior/Derivative 视图找出关键的综述论文和核心先驱文献，理清研究发展脉络，避免遗漏重要引用。
-
保持前沿跟进：在快速发表的领域（如机器学习）使用 Connected Papers 可以发现近期相关工作，找到可能影响自己研究的新成果。
推荐原因
Connected Papers 的优势在于将复杂的文献关系以视觉化、交互式的方式呈现，降低了传统基于关键词或列表型检索的认知负担。对于需要快速构建研究视图、完善参考文献或探索跨学科联系的研究者和学生，Connected Papers 提供了一个高效且易上手的工具。其与 Semantic Scholar 的整合保证了数据覆盖面，而多种输入方式与专门的视图（例如 Prior/Derivative）则提高了文献发现的针对性与效率。
