team8-Citation network-based paper retrieval engine

项目说明

Project3: 基于引文网络的论文检索引擎

引文网络是由文献间引用和被引用的关系构成的集合。该网络中的节点是文献，边代表了文献间的引用关系。

数据处理模块

Semantic Scholar上从2000年以后的英文论文，大小为120G。以sample.jsonl为例，每行为一条数据，包括论文标题、论文引用和被引关系等字段。完整数据请在确认选题后找助教拷贝

要求

使用大规模数据处理技术，例如Spark
构建引文网络来计算论文重要性分数
- 使用的算法必须说明原理
- 基于引文网络的重要性分数必须作为一个字段保存进MongoDB数据库

检索模块

搭建Elasticsearch实现从某一个或若干字段检索
再结合引文网络重要性分数对检索结果进行调整，对比二者，期望引文网络重要性分数对搜索结果有所改善，能结合具体案例分析说明
当选中一篇论文后，能够以该节点为中心展示引文网络子图
- 应当包括之前和之后的节点
- 应根据节点互相引用的关系、节点重要性筛选出一定数量的节点用于展示
- 应提供引文网络子图的节点和边的信息，并和展示模块商量好接口定义

展示模块

设计并实现一个学术论文搜索引擎网站，包括三个页面
- 首页/搜索页
- 检索结果列表页，要求：
  - 可以显示ES基础检索结果列表
  - 可以显示基于引文网络重要性分数改善后的检索结果列表
- 论文详情页面：
  - 基于选中的论文，可视化一个引文网络子图，可以参考https://www.connectedpapers.com/。根据重要性分数，节点的大小或颜色应该有所区分
推荐使用Python Django（https://www.djangoproject.com）库来实现

提交内容

一个MongoDB数据库，包含引文网络重要性字段
引文网络的统计信息，节点数、边数、最大出入度等
展示基于引文网络的论文检索引擎的检索结果，并能结合具体案例说明基于引文网络的重要性分数对检索结果的改善
展示引文网络子图的可视化效果

项目环境

Spark

系统：Ubuntu 16.04.6 LTS
ip: 10.108.17.185
web UI port: 4041
hadoop: v3.3.1
scalar: v2.12
spark: v3.2.0
路径: /usr/local/spark

ES

version: v7.15.2
ip: 10.108.17.104
port: 9200
配置文件位置: /home/solid/elasticsearch/config/elasticsearch.yml

MongoDB

version: v3.6.3
ip: 10.108.17.104
port: 27017
数据文件位置: /home/solid/db/data
日志文件位置:/home/solid/db/log
配置文件位置:/etc/mongodb.conf

kibana

version: v7.15.2
ip: 10.108.17.104
port: 5601
配置文件位置:/home/solid/kibana/config/kibana.yml

monstache

version: v6.7.6
配置文件位置:/home/solid/monstache/config.toml

· Python环境

个人Python环境请使用miniconda进行创建和配置，尽量不要使用sudo安装，以免污染他人环境。

· 前端环境

Node.js
npm
Vue CLI

常用命令

1. 校园网登入、登出

脚本位置/home/public

cd /home/public
# 登入命令：
bash weblogin 学号 密码
# 登出命令：
bash weblogout 学号 密码

2. MongoDB

# 登入root用户
su
# 进入MongoDB的tmux环境
tmux a -t mongodb
# 启动MongoDB服务
service mongodb start
# 停止MongoDB服务
service mongodb stop
# 重启MongoDB服务
service mongodb restart
# 进入MongoDB
mongo
# 查看所有database
show dbs
# 查看所有collections
show collections
# 创建database
use db_name
# 创建集合
db.createCollection("collection_name")
# 删除集合
db.collection_name.drop()

3. ES

# 登入lsh用户
su lsh
# 进入ES的tmux环境
tmux a -t es

4. 前端

在前端根目录下

# 安装依赖组件包
npm install
# 使用调试模式打开网站
npm run serve
# 使用生产模式打包部署
npm run build

代码说明

0. 数据处理

代码：/src/data processing/importance.py

含重要性得分的文件示例：/src/data processing/part_0.jsonl

写入文件的日志：/src/data processing/calc_ir.out

从/home/data/citation_data读取并解析MongoDB中原始数据，使用Spark计算论文重要性得分，并导出至/home/solid/citation_data_final，用于下一步处理工作。

环境：

Spark 3.2.0
Python 3.6.9

1. MongoDB数据

原始数据： /home/data/citation_data

包含重要性字段数据：/home/solid/citation_data_final

数据入库（对应库中代码：/src/server/importData.sh）：

bash importData.sh 1499

创建视图（对应库中代码：/src/server/createView.txt）：

# mongo
rs:PRIMARY> use IR
rs:PRIMARY> db.createView("citationsView", "citations", [{$project: {"Sid": 1, "title": 1, "year": 1, "inCitationsCount": 1, "outCitationsCount": 1, "importance": 1}}])

2. 创建ES索引

删除原有索引，并创建新索引（对应库中代码：/src/server/build_citations.sh）：

bash build_citations.sh

3. 同步DB-ES

将MongoDB中的数据同步到ES索引中

Tool: monstache

cmd（对应库中配置文件：/config/monstache/config.toml）

monstache -f /home/solid/monstache/config.toml

4. 前端部分

基于Vue框架结合element-ui组件库进行开发（对应库中代码：/src/fontend）

5. 接口部分

基于flask的后端接口搭建，使用python进行ES和MongoDB检索并返回结果（对应库中代码：/src/backend/）

接口说明

query

说明
- 主查询，根据query在title中检索并返回相应的文档。
参数
- type：查询类型
- query：查询内容
- from：返回分页结果的第几页
- size：每一页的文档数量
- filter_year：是否按年份过滤，值为true或false，在后端会映射为python中的True或False
- s_year：年份过滤的起始年份
- e_year：年份过滤的结束年份
- sort_by_time：是否按时间排序。值为false、desc或asc。false表示不排序，desc表示按降序排列，desc表示按升序排列，下同
- sort_by_incite：是否按被引用量排序
- sort_by_outcite：是否按引用量排序
- sort_by_importance：是否按重要性排序。值为true或false，在后端会映射为python中的True或False

citations

说明
- 引用网络查询，根据query论文的Sid递归检索其引用和被引用论文信息
参数
- type：查询类型
- sid：query论文的Sid
- depth：递归深度
- length：引用查询展开深度

提交说明

请在project3-team8中创建个人分支，将所有修改提交到个人分支中，确定无误后再合并至主分支，以避免污染主分支，并且方便出现问题后进行回滚操作。

界面展示

首页搜索页面
搜索结果页面原始结果展示：

改善后的结果展示：
论文详情页

BITCS-Information-Retrieval-2021-2022/project3-team8