我想了解自然语言处理中思想的发展，我认为理解它的一种方法是查看引文与主要进步之间的距离有多远，例如word2vec 和转换器之间
如果相对于出版日期而言，引用距离较长，我们可以推测这些想法是独立达成的。否则，我们可以看到主要想法的进展情况。
有人已经这样做了吗？或者如果没有，什么是好的方法？
【问题讨论】：
标签： graph nlp shortest-path
我真的很喜欢你的问题。我认为这将是一种非常有趣的方式来表示随着时间的推移不断迭代改进想法。
值得一提的是，在回顾文献时，我们通常会在图表中将相关论文可视化。 ConnectedPapers (https://www.connectedpapers.com/) 和 ResearchRabbit (https://www.researchrabbit.ai/) 是用于此类分析的两个流行工具。如果您以前没有使用过它们，我真的建议您尝试一下。尤其是 ResearchRabbit 经常设法找到您所指的有趣联系的类型。
不过，这些工具并非旨在提供历史故事情节，这实际上是一项非常有趣的尝试。我不知道有一种工具可以完全满足您的需求。那么你将如何开始呢？需要注意的一点是，您需要一些潜在的“总”论文集来为您的最短路径创建图表。你有这样的论文集吗？如果没有，那将是您的第一个任务。您可以考虑下载一些可能包含所有可能相关的论文的论文集，然后开始通过参考/引文将它们联系起来。手动执行此操作需要相当长的时间，但如果您不想牺牲准确性，可能值得。自动化 Snowballing（此过程的名称）很困难，但此代码可能会有所帮助：https://github.com/JoaoFelipe/Snowballing。一旦你有了距离，计算两篇论文之间的最短路径应该是完全可行的。
最后一点是，这个问题有一个更通用的版本，总体上可能会提供一种有趣的研究方法。如果您有一组相关论文及其引用/参考距离，您还可以考虑找到最小数量的路线以覆盖所有论文的问题；本质上是车辆路径问题的一种变体。这将对应于描述您正在考虑的主题历史的最简洁的故事情节。很酷！
【讨论】：