1 引言

在开展科研工作的过程中，科研人员需要从大量实时更新的论文中持续地跟踪学术界前沿的发展情况，学习最新研究成果。近年来，人工智能（artificial intelligence，AI）、数据挖掘等领域受到的关注度不断增加，相关会议的论文数量呈爆发式增长。图1显示了arXiv[1]数据库中2010—2019年AI领域的论文增长情况[2]。但是，巨大的论文数量导致科研人员搜索论文的过程中耗费了大量的时间。

目前，已经有很多论文搜索引擎，如Microsoft Academic[3]、Arxiv Sanity Preserver、Papers With Code以及AMiner[4]等。其中，Microsoft Academic根据研究领域对论文进行了分类，并提供了论文的全文链接、所发表的会议或期刊、引用的参考文献等；Arxiv Sanity Preserver提供了arXiv上论文的浏览、搜索和排序功能，并根据用户收藏的论文，使用TF-IDF[5]和支持向量机（support vector machine，SVM）[6]实现论文推荐。对于计算机领域的科研人员，论文中提出的算法、模型的代码是相当重要的学习资源，能够让人更直观、快速地理解和掌握一个新算法或新模型[7]，但Microsoft Academic和Arxiv Sanity Preserver等未提供代码信息。在众多代码平台中，GitHub[8]成为目前非常有代表性的代码平台。但是，在搜索论文和对应的代码时，科研人员需要在不同的搜索平台上来回切换以获取论文和代码，这无疑增加了科研工作的时间。

为了解决论文和论文代码在空间上的差异问题，Atlas ML推出一个免费、开源的机器学习领域的论文和代码分享平台——Papers With Code，该平台不提供计算机领域的中文论文。AMiner是目前功能较全的研究者、论文搜索平台，其构建的主要目标是通过整合多源数据提供研究者搜索分析功能来构建研究者网络和学术论文网络[9]。……