Compare commits
4 Commits
| Author | SHA1 | Date | |
|---|---|---|---|
| 28805462ee | |||
| f982851560 | |||
| 88aeb4d2eb | |||
| 7e63035570 |
@@ -47,6 +47,26 @@ jobs:
|
||||
subprocess.run([python,'-B','-m','pip','install','--no-deps',str(wheel)],check=True)
|
||||
outside = root / 'outside-checkout'
|
||||
outside.mkdir()
|
||||
cikm_snapshots = pathlib.Path('/data/paper-index/validation/cikm2026-source-snapshots-v1')
|
||||
if cikm_snapshots.is_dir():
|
||||
cikm_output = root / 'installed-cikm2026'
|
||||
command = [python, '-I', '-B', '-m', 'paper_atlas', 'collect', 'cikm2026-sources']
|
||||
subprocess.run([*command, '--snapshots', str(cikm_snapshots), '--out', str(cikm_output)], cwd=outside, check=True)
|
||||
report = json.loads((cikm_output/'collection-report.json').read_text())
|
||||
assert {name: entry['records'] for name, entry in report['files'].items()} == {
|
||||
'programme.jsonl': 1008, 'alternate-programme.jsonl': 1005,
|
||||
'supplemental-programme.jsonl': 73, 'crossref.jsonl': 1081}
|
||||
assert len(report['registry_outside_doi_programme']) == 73 and not report['database_written']
|
||||
programme = [json.loads(line) for line in (cikm_output/'programme.jsonl').read_text().splitlines()]
|
||||
assert all(row['abstract'] and row['author_display_names'] for row in programme)
|
||||
assert len({row['doi'] for row in programme}) == 1008
|
||||
broken = root/'tampered-cikm2026'
|
||||
broken.mkdir()
|
||||
(broken/'program.html').write_text('tampered')
|
||||
rejected = subprocess.run([*command, '--snapshots', str(broken), '--out', str(root/'rejected-cikm2026')], cwd=outside, capture_output=True, text=True)
|
||||
assert rejected.returncode != 0 and 'Snapshot hash mismatch' in rejected.stderr
|
||||
assert not (root/'rejected-cikm2026').exists()
|
||||
print('CIKM 2026 full frozen-source CLI check passed', flush=True)
|
||||
mm_fixture = json.loads(gzip.decompress((src/'tests/fixtures/mm2026-source.json.gz').read_bytes()))
|
||||
mm_snapshots = root/'mm2026-snapshots'
|
||||
for name, body in mm_fixture['files'].items():
|
||||
|
||||
@@ -137,6 +137,8 @@ ECCV 2026 的[暂定节目采集器](docs/eccv2026-program.md)合并重复节目
|
||||
|
||||
`collect sdm2026-proceedings` 核验 53 个 Crossref 论文章节,并单独保留 53 项日程观察及 52 页摘要。作者差异、取消展示和摘要缺失分别保留,不自动拼接来源或绑定作品;见 [SDM 2026 使用与恢复说明](docs/sdm2026-proceedings.md)。
|
||||
|
||||
`collect cikm2026-sources` 核验并分开导出两份官方节目、附属议程和出版登记。见 [CIKM 2026 来源采集与恢复](docs/cikm2026-sources.md)。
|
||||
|
||||
`collect icdm2026-program` 离线核验 324 条 ICDM2026 官方线下日程,按明确的研究/应用标签输出 241/83 条;展示长短、缺失摘要及未核实出版身份分别保留,不自动入库。见 [ICDM2026 使用与恢复说明](docs/icdm2026-program.md)。
|
||||
|
||||
`collect recsys2026-program` 核验九个 track 的 263 项官方录用贡献观察(260 个不同 DOI),保留摘要、原始作者和重复 DOI 的来源版本。见 [RecSys 2026 使用与恢复说明](docs/recsys2026-program.md)。
|
||||
|
||||
@@ -0,0 +1,22 @@
|
||||
# CIKM 2026 来源采集与恢复
|
||||
|
||||
使用固定节目和登记快照复现 CIKM 2026 来源盘点。采集命令生成四份独立 JSONL,输入逐文件校验 SHA-256。
|
||||
|
||||
```sh
|
||||
paper-atlas collect cikm2026-sources \
|
||||
--snapshots /data/paper-index/validation/cikm2026-source-snapshots-v1 \
|
||||
--out /data/paper-index/collected/cikm2026-sources-v1
|
||||
```
|
||||
|
||||
输入包括两版官方节目 HTML、Crossref 卷登记、五页逐篇登记及分页回执。服务器验证目录保留输入原文。输出目录必须是新目录。先检查 `collection-report.json`,报告在四份 JSONL 写完后发布。
|
||||
|
||||
| 文件 | 内容 |
|
||||
| --- | --- |
|
||||
| `programme.jsonl` | 带 DOI 的 1,008 条节目记录,包括标题、作者显示名、摘要和五类节目标签 |
|
||||
| `alternate-programme.jsonl` | 另一版节目 1,005 条记录及各自的字段 |
|
||||
| `supplemental-programme.jsonl` | 73 条演讲、教程、工作坊及其他附属活动观察 |
|
||||
| `crossref.jsonl` | 1,081 条 ACM 卷内登记,每条保留登记字段及分页文件位置 |
|
||||
|
||||
节目 DOI 指向 Crossref 的出版登记。确认作者和标题差异以及历史投稿绑定后,再为来源观察准备入库队列。报告另列 73 个未出现在带 DOI 节目区的登记,附属活动仍保留各自的活动类型。公开拒稿与撤回决定仍需独立来源核查。
|
||||
|
||||
官方原始来源见[带 DOI 的节目](https://cikm2026.diag.uniroma1.it/cikm-program/program.html)、[另一版节目](https://cikm2026.diag.uniroma1.it/cikm-program/CIKM2026_program.html)和 [Crossref 卷登记](https://api.crossref.org/works/10.1145/3799682)。
|
||||
@@ -1,6 +1,6 @@
|
||||
# 会议覆盖与公开决定核查
|
||||
|
||||
最新生产进展和剩余工作见 [2026-11-17 补漏状态](backfill-status-2026-11-17.md):固定 278 个会议年份槽位中,270 个有记录、8 个仍为空;这不代表完整覆盖,第 14 步仍未完成。
|
||||
最新生产验收与剩余工作见 [2026-11-17 补漏状态](backfill-status-2026-11-17.md):当日 `14:06:28 UTC` 固定范围快照中,278 个会议年份槽位有 272 个含记录、6 个仍为空;这不代表完整覆盖,第 14 步仍未完成。后续 MM 规范化、只读候选审计与出版核查不等于生产导入。
|
||||
|
||||
**当前工作范围:2020 年起主动补漏。** 2000 年起已发现资料保留,恢复工作从 [补漏范围与恢复清单(2026-11-10)](backfill-handoff-2026-11-10.md) 开始;下文旧日期快照不改写,较早年份排除不算补齐。
|
||||
|
||||
@@ -72,7 +72,7 @@ PGSERVICEFILE=/etc/paper-atlas/pg_service.conf paper-atlas coverage \
|
||||
|
||||
## 优先缺口
|
||||
|
||||
- **UAI 2024–2026**:官方均允许作者选择公开拒稿,当前主库拒稿仍为零。原 notes 接口要求 Challenge 验证,公开镜像尚无已核验来源,必须保留这个真实缺口;不能根据 PMLR 录用名单推断拒稿。参见 [2025 投稿指南](https://www.auai.org/uai2025/submission_instructions)、JSON 内其他年份官方证据。
|
||||
- **UAI 2024–2026**:官方均允许作者选择公开拒稿,首份生产快照拒稿为零。原 notes 接口要求 Challenge 验证;新核验镜像的 2022–2025 年 902 个论坛来自录用子集,不能填补公开拒稿缺口。2024 年的元评审也不能直接转成最终决定,见 [2026-11-17 原始来源与回复结构核查](uai-public-negative-source-status-2026-11-17.md)。不能根据 PMLR 或镜像录用名单反推拒稿;政策参见 [2025 投稿指南](https://www.auai.org/uai2025/submission_instructions)、JSON 内其他年份官方证据。
|
||||
- **EMNLP 2023**:官方允许公开 opt-in 拒稿,目前只导入 9 条。需继续核验实际公开全集。ARR 评审、conference commitment 与最终会议决定分开;[ARR 作者说明](https://aclrollingreview.org/authors) 明确其自愿捐赠数据与 EMNLP 2023 直接投稿发布的范围不同。
|
||||
- **ICLR**:固定快照已观察 2017 与 2020–2026;快照之后,2013/2018/2019 的 1,654 条来源记录已完成独立 PostgreSQL 验收(报告时间 `2026-11-07T19:52:28.378Z`),不回写旧快照计数,也不据此宣称逐届全集已齐。快照中的 10,208 次 unknown 不等于 rejected,近期补采与冲突核对仍在进行;评审推荐不能当最终决定。
|
||||
- **MM / MLSys**:MM 11,200 条书目记录保留 `proceedings_unspecified`;MLSys 的 448 次官方投稿与 313 条 DBLP 记录重叠。2026 MLSys 的研究/工业轨道在 [官方 CFP](https://mlsys.org/Conferences/2026/CallForResearchPapers) 中分开,仍须核对逐篇轨道证据,不能仅凭会议名全部归 main。
|
||||
|
||||
@@ -33,7 +33,7 @@ SDM 新增事件使 SeBA 和 AdamG 同时保有较早 ICLR 拒稿与后来 SDM
|
||||
| ECCV | 2,834 个不同初步节目 ID 及公开摘要已独立采集;1,997 个只读候选历史证据包已保存,尚未入库 | 初步日程不等于 Springer 最终论文集;继续作品/版本和出版核查。见 [来源状态](../eccv2026-source-status.md) |
|
||||
| ICDM | 324 项线下节目观察,明确研究241/应用83;演讲长168/短156,摘要均缺失;规范化和80个候选历史包已核验 | 展示长短不能当成论文类型;需审查作品与正式出版版本,尚未导入主库。见 [采集器说明](../icdm2026-program.md) |
|
||||
| ISMIR | 140 项节目和正式名单均已核验,140份摘要,101组自愿公开评审;两处标题、三处作者名单差异保留,78个候选历史包已核验 | 数字 miniconf ID 不是原始 OpenReview ID;评审意见不转成最终拒稿。继续作品身份/历史关联,尚未入库。采集器见 [PR #63](https://gitea.entroia.com/Zayden-Jung/paper-atlas/pulls/63) |
|
||||
| MM | 官方10.8MB日程JSON已冻结,4,326次观察对应2,143个节目ID、28个来源track;重复展示核心字段一致,216个ID缺摘要,其中两项主轨同时缺作者 | 不是2,143篇已核验科研论文。先区分各轨贡献与活动、保留全部上下文并单列缺失;尚未规范化/入库。见 [来源与访问证据](../mm2026-source-status.md) |
|
||||
| MM | 全28轨2143个节目ID/4326展示位置已规范化;814个只读候选历史证据包已核验,24篇候选涉及24次负面投稿/37条来源观察;67项原始arXiv DOI中66项注册元数据一致、1项404暂缓 | 不是2143篇已核验科研论文。继续逐轨贡献/出版依据与作品审查,0身份批准、0入库。ISBN查询与父XML均只返回父记录,不作逐篇清单。见 [来源、审计与恢复证据](../mm2026-source-status.md) |
|
||||
| CIKM | 官方录用/日程入口与五个分轨页面已保存;五个分轨链接实际是CFP/政策,不是逐篇录用名单 | 查找实际节目或出版社完整目录;TBD和没有静态表不能当作没有论文 |
|
||||
| IROS | 官方论文索引入口的原始HTTP403已保存 | 保留访问限制,不重试绕过;寻找可合法读取、能独立核验的出版元数据 |
|
||||
|
||||
@@ -43,6 +43,8 @@ SDM 新增事件使 SeBA 和 AdamG 同时保有较早 ICLR 拒稿与后来 SDM
|
||||
|
||||
MM 官方群组元数据可匿名读取,但根据其给出的 submission invitation 和 rejected/withdrawn/desk-rejected venue ID,四次限1条的匿名 notes 核查均为403。查询、时间、原文和哈希已保留,没有认证重试或绕过权限。访问限制不等于零条负面记录;详见 [MM来源证据](../mm2026-source-status.md)。ISMIR公开的101组评审来自录用节目,不能记成101条拒稿。
|
||||
|
||||
UAI新增固定镜像已核对2022–2025的902个原始论坛及3053个回复的元数据/字段结构。整理版均标录用,2022保存230条明确Accept决定;2024仅有评审、作者回复、元评审,2023/2025未保存回复,不能据此补拒稿。来源限制和恢复见 [逐年原始核查](uai-public-negative-source-status-2026-11-17.md)。这不是UAI没有公开拒稿的结论,缺口保持未补齐。
|
||||
|
||||
第14步仍需逐会议、年份、track完成公开拒稿/desk-reject/withdrawn来源核查和可得数据采集;继续核查UAI近年自愿公开范围、EMNLP实际覆盖范围及其余已列明缺口。不能从未见录用、评分、评审推荐、缺少摘要或接口不可访问制造负面决定。
|
||||
|
||||
之后仍需完成跨会作品/历次投稿与类型标签关联(第15步),所有导入结束后的独立全库去重、标识冲突、近似标题作者、摘要/约束/查询及覆盖审计(第16步),以及长期运行与恢复文档最终整理(第17步)。阶段性来源入库、测试通过、某年度有记录均不能替代这些验收。
|
||||
|
||||
@@ -0,0 +1,51 @@
|
||||
# UAI 公开负面决定来源:2026-11-17 核查
|
||||
|
||||
**公开拒稿缺口仍未补齐,总体仍为 13/17。** 本页保存新来源的实际范围与恢复线索,避免下次把录用子集误当作全部投稿。主动补漏范围仍从2020年开始;本次镜像只含2022–2025,不能替代其他年份或其他会议的核查。
|
||||
|
||||
## 政策与访问边界
|
||||
|
||||
已有逐年核查记录保存在 [覆盖清单](inventory-2026-11-08.json) 的 UAI `policy_checks`:2023–2026 官方说明允许决定后公开录用及作者选择公开的拒稿,默认私密拒稿不属于公开可采集范围。政策并不证明任何镜像完整。
|
||||
|
||||
- [2023 投稿说明](https://www.auai.org/uai2023/submission_instructions)
|
||||
- [2024 投稿说明](https://auai.org/uai2024/submission_instructions)
|
||||
- [2025 投稿说明](https://www.auai.org/uai2025/submission_instructions)
|
||||
- [2026 投稿说明](https://www.auai.org/uai2026/submission_instructions)
|
||||
|
||||
先前匿名 notes 请求遇到 ChallengeRequiredError/403,仍作为访问限制保留。本轮没有认证、重试或绕过这些入口;读取的是整理者公开发布的固定版本镜像。复制的 `readers`、`signatures` 和邀请字段仍只是镜像内的来源断言,不是对当前原始接口可见性或签名真实性的验证。
|
||||
|
||||
## 实际镜像范围
|
||||
|
||||
来源:[latkes/ai-research-index-iclr-openreview](https://huggingface.co/datasets/latkes/ai-research-index-iclr-openreview/tree/4c9e09931a7814d7500630ffd064b74f1c01bcf3),固定提交 `4c9e09931a7814d7500630ffd064b74f1c01bcf3`。目录中存在 `papers/uai-YYYY/papers.jsonl` 与四个 `raw/uaiYYYY.jsonl`,不能仅凭数据集说明宣称拒稿覆盖。
|
||||
|
||||
| 年份 | 整理版及原始论坛数 | 原始回复对象 | 实际回复角色 | 标准结构化决定字段 |
|
||||
| --- | ---: | ---: | --- | --- |
|
||||
| 2022 | 230 | 1059 | Official_Review 829,Decision 230 | Accept (Poster) 194,Accept (Oral) 36 |
|
||||
| 2023 | 243 | 0 | 没有保存回复 | 没有保存决定记录 |
|
||||
| 2024 | 200 | 1994 | Official_Review 905,Rebuttal 889,Meta_Review 200 | 没有单独 Decision 记录或结构化 decision 字段 |
|
||||
| 2025 | 229 | 0 | 没有保存回复 | 没有保存决定记录 |
|
||||
|
||||
整理版902条均被整理者标为 `accepted=true`;原始根记录的 `venue` 为相应会议名称或 oral/poster/spotlight 文本,不能替代逐次决定证据,更不能算作902条已认证的原始录用决定。这不是四届全部投稿或全部录用的完整性证明。2024年还有 `Edit` 邀请,属于同一批回复上的另一个邀请,不能再累加成1994个新回复。
|
||||
|
||||
为排除字段漏读,对含回复的2022、2024快照另做了全部3053个回复的字段名、包装结构、邀请角色和短决定类字段核查;重新读取的正文哈希与首次捕获完全一致。2022的230条明确字段是录用标签。2024仅保存评审、作者回复和元评审,没有可据此新增的结构化拒稿/撤稿决定。没有从元评审文本、评分、推荐或缺少录用推断负面决定,也没有保存评审正文、作者回复正文或论文全文。
|
||||
|
||||
**这只描述上述固定镜像子集,不证明UAI没有公开拒稿。** 本批没有生成负面决定导入队列,也未写数据库。2020、2021、2026及其他可用来源仍需分别核查;某文件未出现在这个镜像目录中不代表全网不存在。
|
||||
|
||||
## 产物与恢复
|
||||
|
||||
服务器目录均相对 `/data/paper-index/collected/`:
|
||||
|
||||
- `uai2022-2025-mirror-metadata-v1`:902条整理版元数据投影、字段盘点与标签计数。
|
||||
- `uai2022-2025-raw-decisions-v1`:902个原始论坛的元数据、明确决定字段及来源正文/逐行哈希。
|
||||
- `uai2022-2024-reply-schema-v2`:3053个回复的元数据、字段名与短标签;评审正文不保存。角色核查包含直接记录和 `note` 包装,未发生静默遗漏。
|
||||
|
||||
源响应正文仅在内存中读取、校验,保存元数据投影与固定来源URL/字节哈希;不是保留了含评审文本的完整原始快照。复核原始源字节时应使用固定提交,并区分投影文件哈希与源正文哈希。恢复包已在本机独立核验全部902个论坛、3053个回复的元数据结构、逐文件哈希及来源关联。
|
||||
|
||||
| 恢复证据 | SHA256 |
|
||||
| --- | --- |
|
||||
| 整理版元数据恢复包 | 55889fb2b9005260cef1001b2cf36e203f3b7e1deeec0291f058b52eeae880e7 |
|
||||
| 原始元数据/回复结构恢复包 | caade7df899dd3e65572d06e2bf2326fad692cc5e1c1e4ab002fdc6d7823743f |
|
||||
| 原始结构独立核验报告 | 5f0ef2948d0db68fe0cd89eb4c8b57a1088b94b53bed98f180d2b96629746e72 |
|
||||
|
||||
服务器恢复包分别为 `/data/paper-index/validation/uai2022-2025-mirror-metadata-recovery-v1.tar.gz` 与 `uai2022-2025-raw-reply-recovery-v1.tar.gz`。本地同名备份位于 `/Users/zzyang/Documents/Codex/2026-11-06/paper-index/`。先检查实际单元、完整manifest和哈希,再恢复;不要因进度文件旧状态或日志安静重跑。
|
||||
|
||||
后续继续寻找能明确覆盖作者公开拒稿选择的来源,保留每次投稿及决定原文标签、原始ID与镜像关系,核对跨来源重叠和后续录用。UAI缺口不关闭,全部43个目标的逐年公开负面决定核查也不缩减;最终全库去重仍为独立必做阶段。
|
||||
@@ -108,3 +108,32 @@ paper-atlas audit source-identities \
|
||||
候选审计中的 `status=unknown` 仅为内部查询占位符,不代表原始提交的最终状态。节目ID以 `mm_program` 来源键查询,不转成全局 DOI、arXiv 或 OpenReview 标识;保留原始 `listed_in_official_program` 观察与全部展示位置。所有贡献类型、出版身份、最终决定核验标志均为false;缺作者的两项也保留并标记。
|
||||
|
||||
查询使用 PostgreSQL 只读一致性快照,候选作品的原始来源、标识、历次投稿和逐次决定压缩保存并记录哈希;截断会显式标记。标题/作者候选匹配不是作品身份批准,没有匹配也不证明是新论文。既往拒稿和后续录用不能互相覆盖,评分或评审推荐不能充当最终决定。输出目录必须不存在;遇到已有输出或静默运行,先检查具体单元和报告,不重启重放。
|
||||
|
||||
## 已完成的规范化、只读审计与出版核对
|
||||
|
||||
采集器提交 `c8db611` 和直接节目审计提交 `09a2d4e` 已通过PR #65、#66由用户合并。授权远程runner的535/543项测试、wheel构建安装和安装后全量命令检查通过;没有本机测试或构建。服务器规范化和只读候选报告也已独立验收,并在本机备份、复核全部2143项与814个候选证据包。
|
||||
|
||||
| 只读候选分类 | 来源节目项数 |
|
||||
| --- | ---: |
|
||||
| 标题与完整作者多重集合一致,仍需作品核查 | 660 |
|
||||
| 仅部分作者重叠 | 153 |
|
||||
| 无精确标题候选,不证明是新作品 | 1329 |
|
||||
| 有标题候选但无作者一致性 | 1 |
|
||||
|
||||
全部4326个展示上下文一致,814个证据包均无截断。24篇候选作品涉及24次已有负面投稿、37条负面来源观察;37不能直接算作37次拒稿。所有候选均尚未批准身份或入库,旧负面决定必须在之后关联时保留。
|
||||
|
||||
对已有作品的原始arXiv记录、标题/完整作者多重集合和MM2026语境进一步筛查,得到67个 Main Track 出版DOI核对候选。独立查询其明确给出的DOI及父论文集,共68次单次请求,67次HTTP200、1次404,没有认证或重试。父注册记录为[第34届ACM Multimedia论文集](https://doi.org/10.1145/3767308),ISBN `9798400722134`,出版者ACM,出版年2026。
|
||||
|
||||
其中66项的原始arXiv引用DOI与注册DOI一致,按既有审计规则规范化的标题、完整作者多重集合、出版年、出版者、明确会议名和论文集标题也一致。注册文章未提供ISBN,不能伪称逐篇ISBN已核验;归属依据是文章明确给出的会议和论文集字段,以及独立的原始arXiv语境和DOI。仍需逐项作品/版本审查及新鲜数据库保护检查,**不是66项已入库或最终身份批准**。
|
||||
|
||||
`mfp7067` 对应既有候选作品2749947,原始arXiv提供的 `10.1145/3767308.3836169` 返回404,暂缓。404不是撤稿/拒稿证据,也不据此删除或修正既有标识;需独立核对后再处理。
|
||||
|
||||
完整会议出版名单仍需继续核对。实际ISBN查询只返回父论文集一个条目,父DOI的公开Unixref XML也只含该父DOI、0个 `conference_paper` 节点;都不能代表逐篇名单。按会议名检索得到的 `total-results` 是出版者全年范围内的宽泛检索量,不能当作MM篇数;必须逐项核对明确会议/论文集字段、节目与分轨归属,并保留未匹配项。全部28个来源track继续保留,不能把本批Main Track候选当成会议完整覆盖。
|
||||
|
||||
| 已独立验证的恢复证据 | SHA256 |
|
||||
| --- | --- |
|
||||
| 全轨规范化恢复包 | b119081618b8ce98037dc139be159512f9fdb86a0ccfb127c8b8a1c5722f3d87 |
|
||||
| 只读候选/814证据包恢复包 | 42d0d0404bba04e64e638344b050ad4e7287c3e4c75a777b7069ecc7d7a6ed60 |
|
||||
| 67项DOI及父论文集原始注册回执恢复包 | dd7a0ff76f12070f403cc7352ac54269e454758d807896a086c58c1c1ac7b798 |
|
||||
|
||||
服务器恢复包位于 `/data/paper-index/validation/`,分别名为 `mm2026-native-recovery-v1.tar.gz`、`mm2026-preflight-recovery-v1.tar.gz`、`mm2026-publication-metadata-recovery-v1.tar.gz`;本地同名备份在 `/Users/zzyang/Documents/Codex/2026-11-06/paper-index/`。来源目录为 `collected/mm2026-native-v1`、`mm2026-preflight-v1`、`mm2026-publication-metadata-v1`。先核对完整manifest及实际单元结果,不能用旧进度文件的running字样重启。其他会议已消费的导入队列仍禁止重放;本轮均为来源核查、只读候选审计,没有生产写入。
|
||||
|
||||
@@ -28,6 +28,7 @@ COMMANDS = {
|
||||
('collect','eccv2026-program'): ('paper_atlas.collectors.eccv2026', {}, '核验ECCV2026暂定节目并断点采集公开元数据'),
|
||||
('collect','icassp2026-registry'): ('paper_atlas.collectors.icassp2026', {}, '核验 ICASSP 2026 冻结注册论文元数据'),
|
||||
('collect','icdm2026-program'): ('paper_atlas.collectors.icdm2026', {}, '核验 ICDM2026 冻结日程及明确的研究/应用轨道'),
|
||||
('collect','cikm2026-sources'): ('paper_atlas.collectors.cikm2026', {}, '核对 CIKM 2026 节目、附属议程与 Crossref 出版登记'),
|
||||
('collect','sdm2026-proceedings'): ('paper_atlas.collectors.sdm2026', {}, '核验 SDM 2026 注册论文并单独保留公开日程版本'),
|
||||
('collect','icaps2026-program'): ('paper_atlas.collectors.icaps2026', {}, '核验 ICAPS 2026 官方录用名单并分开既有论文展示'),
|
||||
('collect','rss2026-proceedings'): ('paper_atlas.collectors.rss2026', {}, '核验 RSS 2026 官方论文集与独立录用表'),
|
||||
|
||||
@@ -0,0 +1,164 @@
|
||||
"""Collect CIKM 2026 programme and Crossref metadata from frozen snapshots."""
|
||||
|
||||
import argparse
|
||||
from collections import Counter
|
||||
from hashlib import sha256
|
||||
import json
|
||||
from pathlib import Path
|
||||
import re
|
||||
|
||||
from paper_atlas.io.html import Document, clean
|
||||
|
||||
PROGRAM = 'https://cikm2026.diag.uniroma1.it/cikm-program/program.html'
|
||||
VOLUME = '10.1145/3799682'
|
||||
CONTAINER = 'Proceedings of the 35th ACM International Conference on Information and Knowledge Management'
|
||||
TRACKS = {'FULL': 596, 'SHORT': 234, 'APPLIED': 86, 'RESOURCE': 46, 'DEMO': 46}
|
||||
SUPPLEMENTAL = {'KEYNOTE', 'TUTORIAL', 'INDUSTRY', 'POSTER', 'PHD', 'PHD · REMOTE', 'WORKSHOP', 'ANALYTICUP'}
|
||||
PAGE_COUNTS = (250, 250, 250, 250, 81)
|
||||
HASHES = {
|
||||
'program.html': '3eaa668b6aaf09a671d8a3e19a2889b9ab21afaa7ded013794afa94bf35281d6',
|
||||
'CIKM2026_program.html': 'e3630bd1247df713b8b618f1d3cd9709e7020b2524bb677f82a10f83badd1732',
|
||||
'crossref-parent.json': 'f3370418d86ccfcfaeb972073bc5fcd1c1c737caed96570fc83f99db0f7d204a',
|
||||
'crossref-page-1.json': '16bed29f8ee82d668b124c369b632c5c1de0753bdbec7eb72ecb22ffdda5c710',
|
||||
'crossref-page-2.json': '54424ca31d99462394c9fde5fecfd7dd16337351d21ede3169f19af54d4f49c5',
|
||||
'crossref-page-3.json': '2dc31d89f41966614ed66a11d1ebaa4b2a6904dcf92945b7185e72e7e65382dd',
|
||||
'crossref-page-4.json': 'fbbec2b52650dc99a0251c743f035a6fd95be263b04c55c12134cf8473bdde76',
|
||||
'crossref-page-5.json': '06151c5f770c1e37e8ea9dabe5210be9c969a14fa3bf9925a2d7730ced47d6e5',
|
||||
'crossref-pages.json': '8be1f8f05139f7a1231b73ad6430f28d2f625809f1530cd9de654f8b3c68c1ae',
|
||||
}
|
||||
|
||||
|
||||
def fields(node, css_class):
|
||||
return [child for child in node.walk() if css_class in child.attrs.get('class', '').split()]
|
||||
|
||||
|
||||
def parse_program(raw, *, require_doi):
|
||||
document = Document(raw.decode('utf-8'))
|
||||
papers = {}
|
||||
for card in fields(document.root, 'paper'):
|
||||
pid = card.attrs.get('data-pid')
|
||||
if not pid:
|
||||
continue
|
||||
titles = fields(card, 'ptitle')
|
||||
labels = fields(card, 'badge')
|
||||
abstracts = fields(card, 'abstxt')
|
||||
if pid in papers or len(titles) != 1 or len(labels) != 1 or len(abstracts) > 1:
|
||||
raise ValueError(f'Invalid or repeated programme card {pid}')
|
||||
title = clean(titles[0].text())
|
||||
label = clean(labels[0].text())
|
||||
authors = [clean(author.text()) for author in fields(card, 'au')]
|
||||
abstract = clean(abstracts[0].text()) if abstracts else None
|
||||
doi_url = titles[0].attrs.get('href')
|
||||
doi = doi_url.removeprefix('https://doi.org/') if doi_url else None
|
||||
if label not in TRACKS or not title or not authors or not all(authors):
|
||||
raise ValueError(f'Incomplete programme metadata {pid}')
|
||||
if require_doi and (not doi or not re.fullmatch(re.escape(VOLUME) + r'\.\d+', doi) or not abstract):
|
||||
raise ValueError(f'Missing programme DOI or abstract {pid}')
|
||||
papers[pid] = {'programme_id': pid, 'title': title, 'author_display_names': authors,
|
||||
'abstract': abstract, 'programme_label': label, 'programme_doi_link': doi_url,
|
||||
'doi': doi if require_doi else None}
|
||||
return papers
|
||||
|
||||
|
||||
def parse_supplemental(raw):
|
||||
document = Document(raw.decode('utf-8'))
|
||||
events = {}
|
||||
for session in fields(document.root, 'sessblock'):
|
||||
section = session.attrs.get('id', '')
|
||||
if not section.startswith(('pre-', 'kn-')):
|
||||
continue
|
||||
for card in fields(session, 'paper'):
|
||||
labels = fields(card, 'badge')
|
||||
if len(labels) != 1:
|
||||
raise ValueError(f'Ambiguous supplemental label in {section}')
|
||||
label = clean(labels[0].text())
|
||||
if label not in SUPPLEMENTAL:
|
||||
continue
|
||||
titles = fields(card, 'ptitle')
|
||||
abstracts = fields(card, 'abstxt')
|
||||
locator = card.attrs.get('id') or section
|
||||
if locator in events or len(titles) != 1 or len(abstracts) > 1:
|
||||
raise ValueError(f'Ambiguous supplemental entry {locator}')
|
||||
events[locator] = {'programme_locator': locator, 'programme_section': section,
|
||||
'programme_label': label, 'title': clean(titles[0].text()),
|
||||
'author_display_names': [clean(a.text()) for a in fields(card, 'au')],
|
||||
'abstract': clean(abstracts[0].text()) if abstracts else None}
|
||||
return events
|
||||
|
||||
|
||||
def parse_registry(snapshots):
|
||||
volume = json.loads(snapshots['crossref-parent.json'])['message']
|
||||
if (volume['DOI'], volume['title'], volume['ISBN']) != (VOLUME, [CONTAINER], ['9798400725395']):
|
||||
raise ValueError('Unexpected Crossref volume')
|
||||
records = {}
|
||||
for number, count in enumerate(PAGE_COUNTS, 1):
|
||||
name = f'crossref-page-{number}.json'
|
||||
message = json.loads(snapshots[name])['message']
|
||||
if message['total-results'] != 1081 or len(message['items']) != count:
|
||||
raise ValueError(f'Unexpected Crossref pagination in {name}')
|
||||
for item in message['items']:
|
||||
doi = item['DOI'].lower()
|
||||
if (doi in records or not re.fullmatch(re.escape(VOLUME) + r'\.\d+', doi)
|
||||
or item.get('container-title') != [CONTAINER] or item.get('type') != 'proceedings-article'
|
||||
or item.get('published', {}).get('date-parts') != [[2026, 11, 6]]):
|
||||
raise ValueError(f'Unexpected Crossref record {doi}')
|
||||
records[doi] = {'registry': item, 'source_file': name}
|
||||
return records
|
||||
|
||||
|
||||
def collect(snapshots, output):
|
||||
snapshots = Path(snapshots)
|
||||
output = Path(output)
|
||||
if output.exists() or output.is_symlink():
|
||||
raise FileExistsError(output)
|
||||
bodies = {}
|
||||
for name, expected in HASHES.items():
|
||||
path = snapshots / name
|
||||
if path.is_symlink() or not path.is_file() or path.stat().st_size > 8 * 1024**2:
|
||||
raise ValueError(f'Invalid snapshot file {name}')
|
||||
raw = path.read_bytes()
|
||||
if sha256(raw).hexdigest() != expected:
|
||||
raise ValueError(f'Snapshot hash mismatch for {name}')
|
||||
bodies[name] = raw
|
||||
|
||||
programme = parse_program(bodies['program.html'], require_doi=True)
|
||||
alternate = parse_program(bodies['CIKM2026_program.html'], require_doi=False)
|
||||
supplemental = parse_supplemental(bodies['program.html'])
|
||||
registry = parse_registry(bodies)
|
||||
programme_dois = {r['doi'] for r in programme.values()}
|
||||
tracks = Counter(r['programme_label'] for r in programme.values())
|
||||
if (tracks != TRACKS or len(programme_dois) != len(programme) or programme_dois - registry.keys()
|
||||
or len(alternate) != 1005 or alternate.keys() - programme.keys()
|
||||
or len(supplemental) != 73 or len(registry) - len(programme_dois) != 73):
|
||||
raise ValueError('Unexpected programme or registry coverage')
|
||||
groups = {
|
||||
'programme': programme,
|
||||
'alternate-programme': alternate,
|
||||
'supplemental-programme': supplemental,
|
||||
'crossref': registry,
|
||||
}
|
||||
output.mkdir(parents=True, exist_ok=False)
|
||||
files = {}
|
||||
for name, rows in groups.items():
|
||||
filename = name + '.jsonl'
|
||||
payload = ''.join(json.dumps({'source_key': key, **row}, ensure_ascii=False) + '\n'
|
||||
for key, row in sorted(rows.items())).encode()
|
||||
(output / filename).write_bytes(payload)
|
||||
files[filename] = {'records': len(rows), 'sha256': sha256(payload).hexdigest()}
|
||||
report = {'status': 'collected_pending_identity_review', 'files': files, 'input_sha256': HASHES,
|
||||
'programme_by_label': dict(tracks), 'programme_dois_in_registry': len(programme_dois),
|
||||
'registry_outside_doi_programme': sorted(registry.keys() - programme_dois),
|
||||
'programme_ids_missing_from_alternate': sorted(programme.keys() - alternate.keys()),
|
||||
'database_written': False, 'public_negative_decisions_verified': False}
|
||||
partial = output / 'collection-report.json.part'
|
||||
partial.write_text(json.dumps(report, ensure_ascii=False, indent=2) + '\n', encoding='utf-8')
|
||||
partial.replace(output / 'collection-report.json')
|
||||
return report
|
||||
|
||||
|
||||
def main(argv=None, *, prog=None):
|
||||
parser = argparse.ArgumentParser(prog=prog, description=__doc__)
|
||||
parser.add_argument('--snapshots', type=Path, required=True)
|
||||
parser.add_argument('--out', type=Path, required=True)
|
||||
options = parser.parse_args(argv)
|
||||
print(json.dumps(collect(options.snapshots, options.out), ensure_ascii=False))
|
||||
Reference in New Issue
Block a user