[Github 项目推荐] 一个更好阅读和查找论文的网站

kbsc13

发布于 2019-08-16 11:33:45

7530

发布于 2019-08-16 11:33:45

第 28 篇原创文章

机器学习发展到现在，已经积累了非常多的文章，特别是深度学习火起来后，每年新增加的论文非常多，如果需要研究某个领域，不仅需要阅读这个领域经典的论文，也必须时刻关注最新的学术进展，比如最近两年特别火的 GAN，不仅需要先了解它的第一篇开山之作--"Generative Adversarial Nets"，也需要关注最新发表的该领域的论文。

而查找论文，除了直接谷歌搜索外，通常都会到 arxiv 网站上查找，下图显示的是在计算机视觉和模式识别这个类别下的最新论文：

不过，从上图也可以知道，这里仅仅展示了论文名字和作者、发表时间等信息，如果是熟悉的作者，比如一些大牛，当然就值得我们一看，但如果作者不熟悉，就只能通过论文名字判断是否值得点击论文名字，查看论文简介，再通过论文简介判断是否值得下载 pdf 来精读或者泛读。

如果可以，我们当然希望在这个页面就可以展示论文简介，这样可以减少一个步骤。

所以今天推荐一个基于 arXiv 提供的 API 实现的更加易于阅读机器学习方面论文的网站，网站如下所示：

网址：http://www.arxiv-sanity.com/

上图左上角，可以这个网站目前收集了过去几年大约总共 62820 篇论文，都是机器学习方面的论文，然后下方有几个选项卡，分别是：

most recent

展示最新的论文。对于每篇论文，都会展示名字、作者、发表时间，论文的图示，论文的简介，然后可以下载 pdf，并且还可以搜索相似论文和有讨论区。

不过对于讨论区，似乎因为使用人数不多，或者是发表评论的人不多，直接展示的论文基本都没有评论留言，需要直接点击discussions这个选项卡才会展示有评论的论文，但基本都是只有一条评论，不多于两条评论。

top recent

根据登录用户收藏到其 library 的论文展示，可以选择展示最近几天的范围，包括最近一天、三天、一周、一个月、一年以及所有。

top hype

这主要是展示在 Twitter 上提及过的论文，可以查看提及的用户，以及发的 twitter 内容，不过我看基本都是属于直接转发 arxiv 的官方twitter 发表的推文，类似于我们直接转发微博。

后面的几个选项卡，除了discussions，其余几个都是需要进行登录的，friends就是展示你朋友的论文，recommanded就是基于你收藏在你的library的论文来展示，这里开发者还给出采用的方法，是基于 SVM 算法。

Github 项目

这个网站的实现代码是开源在 Github 上的：

https://github.com/karpathy/arxiv-sanity-preserver

其中通过 Arxiv API 查找论文的代码文件是fetch_papers.py，可以在这个代码中改变希望查找的论文类别，不仅仅是机器学习。对于 Arxiv API ，可以查看说明文档，文档地址：

https://arxiv.org/help/api/user-manual#detailed_examples

代码结构

根据作者介绍，代码主要分为两部分:

查询代码

通过 Arxiv API 来下载指定类别的最新论文，并提取每篇论文的内容来提取文字，创建tfidf向量，这部分代码需要考虑的就是后端爬取和计算方面的功能：

建立一个 arxiv 论文的数据库
计算内容向量
生成略缩图
给用户计算 SVMs
等等

用户界面

这部分是一个网页端的服务器(基于 Flask/Tornado/sqlite)，实现通过数据库查询论文，根据相似性来过滤用户，等功能。

依赖库

需要的依赖库包括：

numpy
feedparser--解析 xml 文件
scikit learn--处理 tfidef 向量，并实现 SVM 算法
flask--展示结果
flask_limiter
tornado
dateutil
scipy
sqlite3

上述依赖库可以通过下列命令来安装：

$ virtualenv env                # optional: use virtualenv
$ source env/bin/activate       # optional: use virtualenv
$ pip install -r requirements.txt

除此外，还需要ImageMagick和pdftotext，在Ubuntu可以通过命令安装:

sudo apt-get install imagemagick poppler-utils

但这个命令会还需要继续安装其他依赖库

运行流程

整个项目的运行流程需要依次运行好几个脚本文件，这里最好仔细查看每个脚本代码，它们包含不少设置，这些设置可能是你希望修改的。按如下顺序来依次执行下列代码：

fetch_papers.py：通过 arxiv API 进行查询并创建一个包含每篇论文所有信息的文件db.p。这份代码可以修改你想查询的内容，比如不是查询机器学习，而是其他计算机内容，如数据库等类别。这里需要注意，一次性查询太多论文会受到 arxiv 的限制，所以最好分批运行这份代码，并通过参数--start-index来设置每次重新运行时的起始位置；
download_pdfs.py：下载论文并保存到文件夹pdf；
parse_pdf_to_text.py：输出所有 pdfs 中的文字部分，保存到txt文件夹
thumb_pdf.py：生成 pdfs 的略缩图，保存到文件夹thumb
analyze.py：基于bigrams来计算所有文档的tfidf向量，生成文件tfidf.p,tfidf_meta.p,sim_dict.p
buildsvm.py：对所有用户训练 SVMs ，并输出文件user_sim.p
make_cache.py：主要是进行预处理来加快服务器启动的速度，如果是第一次运行该代码需要确保执行命令sqlite3 as.db < schema.sql来初始化一个空的数据库
在后台开启一个mongodb守护进程。Mongodb可以通过这篇教程来安装--https://docs.mongodb.com/tutorials/install-mongodb-on-ubuntu/
- `sudo service mongod start`命令开启 mongodb 服务
- 确定服务在后台运行：在文件`/var/log/mongodb/mongod.log`中最后一行必须是`[initandlisten] waiting for connections on port `
运行serve.py代码来开启flask服务。通过访问localhost:5000来查看最终运行的效果！

另外，也可以运行twitter_daemon.py来启动一个屏幕会话，它会采用你的twitter API（保存在文件twitter.txt）来查找在 Twitter 上被提及到的在数据库中的论文，并保存结果到文件twitter.p。

作者写了一个简单的命令行脚本依次执行上述代码，每天都会运行依次这个脚本来抓取新的论文，并保存到现有数据库中，然后重新计算所有的tfidf向量或分类器。

注意：对于代码analyze.py，它利用numpy来做很多计算工资，这里推荐安装BLAS（比如OpenBLAS）方面的库来提高计算速度，安装后，对于 25000 篇论文和 5000 多个用户仅需要几个小时即可完成计算。

在线运行

如果希望在线运行flask服务器，比如在 AWS 上，运行命令python serve.py --prod。

另外，你还需要创建一个密钥文件secret_key.txt，并添加随机的文字（具体做法可以查看server.py代码）

当前工作流程

目前对于该网站还不能实现全自动，需要每天都手动运行部分代码来获取最新的论文，这里作者给出刚刚提到的脚本文件内容：

python fetch_papers.py
python download_pdfs.py
python parse_pdf_to_text.py
python thumb_pdf.py
python analyze.py
python buildsvm.py
python make_cache.py

然后会通过一个屏幕会话运行服务，这需要执行命令screen -S serve来创建会话（或者参数-r来重新连接），然后运行下列命令：