数据来源¶

概览¶

项目使用来自多个来源的诺贝尔奖和学术出版物数据。

主数据集（`data/26963326/`）¶

核心数据集包含关于诺贝尔奖得主及其科学出版物的结构化数据，来源于 OpenAlex 和诺贝尔奖档案。

CSV 表格（`data/26963326/db_data/`）¶

`laureate.csv` — 诺贝尔奖得主¶

字段	类型	说明
`laureate_id`	int	唯一得主标识符
`name`	string	全名
`gender`	string	性别
`nationality`	string	国籍
`education`	string	教育背景
`wikipedia_url`	string	维基百科页面 URL
`wikidata_id`	string	Wikidata 实体 ID

记录数： 757 位得主

`award_info.csv` — 奖项详情¶

字段	类型	说明
`laureate_id`	int	得主标识符
`year`	int	获奖年份
`category_id`	int	类别标识符
`motivation`	string	获奖理由
`prize_amount`	float	奖金金额

记录数： 761 项奖项

`nobel_prize_category.csv` — 奖项类别¶

字段	类型	说明
`category_id`	int	类别标识符
`category_name`	string	类别名称

类别： 物理学、化学、生理学/医学、经济学

`work.csv` — 出版物¶

字段	类型	说明
`openalex_work_id`	string	OpenAlex 论文标识符
`title`	string	论文标题
`keywords`	string	分号分隔的关键词
`abstract_inverted_index`	JSON	OpenAlex 倒排索引格式
`referenced_works`	string	引用的论文 ID
`doi`	string	数字对象标识符
`publication_year`	int	发表年份

记录数： ~245,000 篇论文

`work_authorship.csv` — 作者关系¶

字段	类型	说明
`openalex_work_id`	string	论文标识符
`author_id`	string	作者标识符
`institution_id`	string	机构标识符
`position`	string	作者位置（第一、中间、最后）

记录数： ~167 万条关系

`work_citation_by_year.csv` — 引用计数¶

字段	类型	说明
`openalex_work_id`	string	论文标识符
`year`	int	引用年份
`cited_by_count`	int	该年被引次数

记录数： ~900 万条

其他表格¶

author.csv — ~297K OpenAlex 作者 ID
institution.csv — ~13K 机构（名称、ROR、地理位置）
source.csv — ~11.5K 期刊/出版商
laureate_openalex_matching.csv — ~840 条得主 ↔ OpenAlex ID 匹配
laureate_location_info.csv — ~2K 条得主地理信息

JSON 数据（`data/26963326/json/`）¶

`publication_records.json`（2.3 GB）¶

行分隔 JSON（JSONL），包含 253K 篇论文的完整元数据：

{
  "id": "W2078536640",
  "title": "The ubiquitin-proteasome proteolytic pathway",
  "publication_year": 1998,
  "cited_by_count": 1250,
  "authorships": [...],
  "referenced_works": ["W...", "W..."],
  "abstract_inverted_index": {...},
  "keywords": [...]
}

`laureate_info.json`（924 KB）¶

得主详情，包含出生地、获奖地和去世地的地理坐标。

`award_details.json`（664 KB）¶

奖项详情，包含地理坐标。

外部 API 来源¶

OpenAlex API¶

用途： 补充论文的概念、主题和领域分类
端点： https://api.openalex.org
缓存： output/openalex_cache/
文档： OpenAlex API 文档

Semantic Scholar API¶

用途： 获取摘要和 TLDR 摘要
缓存： output/openalex_cache/semantic_scholar/
文档： S2 API 文档

Unpaywall API¶

用途： 查找开放获取 PDF URL
缓存： output/openalex_cache/unpaywall/
文档： Unpaywall API 文档

数据覆盖率¶

信号	覆盖率	备注
论文标题	~100%	几乎所有论文均有
关键词	~70%	分号分隔的关键词串
摘要（倒排索引）	~57%	OpenAlex 格式，可解码
引用网络	大部分	可用引用文献
逐年引用	~900万条	全面的引用追踪

已知缺口¶

缺失数据	影响	缓解措施
论文全文	无法深度提取概念细节	使用摘要 + LLM 增强
学科分类	无法直接对论文分类	OpenAlex API + LLM 推断
概念本体	无预建层级结构	通过 LLM + 种子概念构建
跨领域标注	无直接标签	引文网络分析 + LLM

数据来源¶

概览¶

主数据集（data/26963326/）¶

CSV 表格（data/26963326/db_data/）¶

laureate.csv — 诺贝尔奖得主¶

award_info.csv — 奖项详情¶

nobel_prize_category.csv — 奖项类别¶

work.csv — 出版物¶

work_authorship.csv — 作者关系¶

work_citation_by_year.csv — 引用计数¶