1.1 Paper relevance search GET /graph/v1/paper/search
返回与查询最相关的论文。要精确集合或全量翻页用 1.2 Paper bulk search。
| 参数 | 必填 | 说明 |
|---|---|---|
query | 是 | 纯文本；不支持特殊语法 |
fields | 否 | 逗号分隔的字段投影，见 §3 |
offset / limit | 否 | offset 默认 0；limit 默认 100、上限 100；offset + limit ≤ 1000 |
| 过滤参数 | 否 | year / publicationDateOrYear / venue / fieldsOfStudy / publicationTypes / minCitationCount / openAccessPdf，见下 |
curl "https://fetchpaper.com/graph/v1/paper/search?query=graph+neural+network&limit=1&fields=title,year,citationCount,authors,externalIds,venue,publicationDate,isOpenAccess,tldr"{"total": 2739010, "offset": 0, "next": 1,
"data": [{"paperId": "ea5dd6a3d8f210d05e53a7b6fa5e16f1b115f693",
"title": "Graph Neural Networks: A Review of Methods and Applications",
"year": 2018, "citationCount": 7603,
"authors": [{"authorId": "48128428", "name": "Jie Zhou"},
{"authorId": "52297757", "name": "Ganqu Cui"}, …],
"externalIds": {"CorpusId": 56517517, "ArXiv": "1812.08434",
"DOI": "10.1016/J.AIOPEN.2021.01.001",
"DBLP": "journals/corr/abs-1812-08434",
"MAG": "2905224888"},
"venue": "AI Open", "publicationDate": "2018-12-20", "isOpenAccess": true,
"tldr": {"text": "A detailed review over existing graph neural network models is provided, …"}}]}total是过滤前的 BM25 命中数（官方也是估算）；过滤只保证data条目正确。要过滤后的精确总数用bulk。next只在过滤后确实还有下一条时才给出；翻页窗口封顶offset + limit <= 1000。- 排序是相关性，不是热度：默认按词面相关性（标题整串命中、分字段词面强度、引用数、新近度等综合，对齐官方开源重排模型）。所以上面第一名是标题原样含整个短语的高引综述。要「领域高引」请在
bulk上加sort=citationCount:desc。与官方search的 top-10 平均重合 35.7%（库内容覆盖 88.6%），不是官方排序的复刻。要精确集合或全量翻页一律走bulk。 query整串都是停用词时（method、the）这里回total: 0；同一串在bulk里是全库，两边口径相反（§1.2）。- 查询宽度有预算：拦的是「要解多少条倒排链」，不是命中数。去重后查询词 df 之和超过20,000,000 条直接 400：
Query matches too many papers to rank (21,772,852 postings, max 20,000,000); use fewer or rarer terms。limit=1也一样拦（链要全解完才知道第一名）。量级感：最高频 10 个词合计 1,892 万条，system|model|data|network|analysis|task|graph七词 OR 是 1,522 万条，40 个高频主题词堆一起就是 2,177 万条。写批量脚本把主题词表拆成几条查询，别堆成一条。
过滤参数（search / bulk / match 共用）：
| 参数 | 含义 | 口径 |
|---|---|---|
year | 年份 | 2016、2016-2017、开区间 2010- / -2015、列表 2016,2017（本地宽松展开成区间） |
publicationDateOrYear | 发表日期区间 | 2015-01-01:2019-12-31、开区间 1981-08-25: / :2015-01、单年 2016、不带冒号的年份区间 2015-2020。端点缺月/日按区间那一端补：下界补 1 号，上界补当月最后一天（月也没写补 12 月 31 日）；端点越界（2020-13）回 400 |
venue | 发表处 | 逗号分隔多个；规范化（小写、去空白）后精确匹配，不是子串、不认 ISO4 缩写。只比对响应里的 venue 字段，journal.name 与 publicationVenue.name 都不参与（见 §1.5） |
fieldsOfStudy | 学科 | 逗号分隔，忽略大小写的精确匹配 |
publicationTypes | 类型 | 同上，如 JournalArticle、Conference、Review |
minCitationCount | 引用数下界 | 整数 |
openAccessPdf | 只要开放获取 | 裸参数不带值（官方口径），&openAccessPdf 或 &openAccessPdf= 都算。数据集没有真 PDF 链接，本地按 isOpenAccess=true 近似 |
补 1 号的是论文自己声明的日期，不是区间端点：库里写 2019-06 的论文按 6 月 1 日参与比较。端点补齐实测（query=network）：2020-01-01:2020-06 与 2020-01-01:2020-06-30 都是 94,148，而 2020-01-01:2020-06-01 只有 85,133；2020 = 181,510 = 全年。（补齐到月末是本地口径，官方未实测。）
每个条件在库里能看到多少篇：
| 条件 | 有值的论文 | 天生够不着的部分 |
|---|---|---|
venue | 10,899,016（54.7%） | 9,018,379 篇没记发表处，任何 venue= 都不含它们 |
publicationTypes | 10,367,530（51.9%） | 9,617,355 篇（48.1%）没记类型 |
fieldsOfStudy | 19,885,167（99.8%） | 32,228 篇没记学科（响应里是 []） |
year | 19,901,926（99.9%） | 15,469 篇没记年份，任何年份过滤都不含它们 |
publicationDateOrYear | 14,216,977 有精确日期 | 5,700,418 篇只有年份，按该年 1 月 1 日参与 |
openAccessPdf | 3,190,353（16.0%） | 其余 isOpenAccess=false |
筛不到 ≠ 不存在：venue=X 回 0 有两种可能——这个发表处一篇都没有，或这批论文根本没记 venue。要区分就 fields=venue 抽几条明细看看。
- 空值等于不加条件（字符串/名单类）：
venue=、venue=,,、year=、fieldsOfStudy=、publicationTypes=都被忽略（实测query=attention不传过滤 350,751，venue=与venue=,,都还是 350,751）。数值类不一样：minCitationCount=（空）回 400。 - 名单类是 OR（命中任意一个），不是 AND，顺序与重复值都不改结果集：
query=graph neural network&year=2019-2022下venue=<NeurIPS 全称>320、venue=<ICLR 全称>169、两者任意顺序 489 = 320+169（这批没有交集论文），venue=A,B,A还是 489，venue=A,A与单写venue=A同为 320。bulk 游标按此口径折叠书写差异（§1.2）。 - 过滤只收窄候选、不改布尔语义，OR 侧满足容斥：同一批候选下
|(A|B) ∩ F| = |A ∩ F| + |B ∩ F| − |(A+B) ∩ F|。实测graph/network加year=2020：25,543 + 181,510 − 9,813 = 197,240，与query=graph|network的total逐条相等。 - 边界值：库里最晚年份 2027（
query=neural networks&year=202718 条）；引用数最大 354,165（minCitationCount=354165恰 1 条，354,166 回 0 条）。