Collect RecSys 2026 source observations with explicit duplicate DOI versions
Metadata integrity checks / metadata (push) Successful in 3m20s
Metadata integrity checks / metadata (push) Successful in 3m20s
This commit is contained in:
@@ -0,0 +1,53 @@
|
||||
# RecSys 2026 公开录用贡献采集
|
||||
|
||||
这是长期维护项目中的离线采集器,按需处理冻结的官方元数据,不连接数据库、不访问论文链接或下载 PDF。输出须经过作品、DOI 和投稿历史审查才能导入。
|
||||
|
||||
## 使用
|
||||
|
||||
```sh
|
||||
paper-atlas collect recsys2026-program \
|
||||
--snapshots /data/paper-index/collected \
|
||||
--out /data/paper-index/collected/recsys2026-normalized-<new-run>
|
||||
```
|
||||
|
||||
输入父目录应包含 `remaining2026-listings-research-v2/manifest.json` 与 `recsys-contributions.html`。采集器检查固定清单 SHA256、官方 URL、HTTP 200、采集时区、原始字节哈希、九个 track 的菜单及完整条目数。现有输出目录不可覆盖;失败保留 `failed.json`,成功才发布 `collection-report.json`。再次运行前先检查原任务是否结束。
|
||||
|
||||
## 数据范围与重复项
|
||||
|
||||
来源是 [RecSys 官方录用贡献页面](https://recsys.acm.org/recsys26/contributions/),冻结时间为 2026-11-17。九个来源 track:
|
||||
|
||||
| track | 观察数 |
|
||||
| --- | ---: |
|
||||
| long | 65 |
|
||||
| short | 29 |
|
||||
| past_present_future | 13 |
|
||||
| reproducibility | 4 |
|
||||
| resource | 7 |
|
||||
| industry | 83 |
|
||||
| research_practice_notes | 34 |
|
||||
| demo | 18 |
|
||||
| doctoral_symposium | 10 |
|
||||
|
||||
**263 项来源观察对应 260 个不同 DOI,并非 263 篇不同论文。** 每条记录用官方页面中的 accordion locator 标识,分别保留来源标题、作者原文、摘要和位置,不假设 locator 是原始投稿 ID。
|
||||
|
||||
以下 DOI 各出现两次,六个观察均显式标记待审查:
|
||||
|
||||
- `10.1145/3773078.3831839`:Dart 两条来源记录的标题、作者和摘要都有差异;不得静默选一个覆盖另一个。
|
||||
- `10.1145/3773078.3831819`:标题与作者相同、摘要版本不同。
|
||||
- `10.1145/3773078.3831861`:重复展示的文字相同,保留两个来源位置。
|
||||
|
||||
所有观察都有公开摘要。正文只转换为 HTML 展示文字并规范空白,原始页面完整保留;遇到未审查的数学或图片结构会停止,不把上标扁平化成数字。作者按来源的逗号和最后一个 and 分隔,原始名单同时保留;这不是已验证的作者人物身份或别名。
|
||||
|
||||
`accepted` 仅指官方页面明示录用,不是原始签名评审决定。DOI 来自官方超链接,尚未独立核查实时出版商版本;归入 `publication_doi`,不复制其他会议的投稿 ID。track 明确来自页面区块;`recsys_program:contribution_type` 仅保存页面原始类型标签(Research、PastPresentFuture、Doctoral Symposium),各 track 的 RES/IND/RPN 等缩写同时保留在来源字段,不统一推断研究方法类型。
|
||||
|
||||
本页只含录用贡献,不能据此推断未出现的稿件被拒。公开拒稿导出仍为 unknown,征稿页的 desk rejection 政策不等于具体拒稿记录。不得将本批采集成功当成会议全部来源、负面决定或全库去重完成。
|
||||
|
||||
## 输出与恢复
|
||||
|
||||
输出九份 JSONL、对应部分覆盖清单、原始 HTML 和清单证据,以及记录观察数和不同 DOI 数的报告;批准导入数为零。
|
||||
|
||||
清单 SHA256:`fea7b710587636db06794ee195cd083634c41e9054a217859d9dd0ccdd1afab9`。
|
||||
|
||||
服务器恢复包 `/data/paper-index/validation/remaining2026-listings-research-v2-recovery.tar.gz`,本地备份 `/Users/zzyang/Documents/Codex/2026-11-06/paper-index/remaining2026-listings-research-v2-recovery.tar.gz`,SHA256 为 `f5ef7c2e73d46712146e4d6711ad5ad562e16b8b55c0cd75d1041cd0b81142cb`。安全恢复原始目录、核对哈希后重跑上述命令。
|
||||
|
||||
完整来源与独立 263 项基准已保存在测试夹具,所有测试、构建和安装验证交给指定的 `ces-control:host` runner。生产导入前还需独立核验规范化结果,并检查当前数据库已有 DOI 绑定及历次投稿。最终全库去重审计仍是独立必做阶段。
|
||||
Reference in New Issue
Block a user