字段优先级合并: 多源 metadata 择优保留

[jerry609]

问题

去重时只保留质量最好的副本, 不合并其他源的补充信息。例如:

• S2 有 citation_count 但无 keywords
• OpenAlex 有 keywords 但 abstract 质量低 (inverted index 重建)
• arXiv 有最好的 PDF URL 但无引用数

方案

新建 paper_merger.py, 定义字段源优先级:

FIELD_SOURCE_PRIORITY = {
    "abstract":        ["europepmc", "semantic_scholar", "openalex", "arxiv"],
    "citation_count":  ["openalex", "crossref", "semantic_scholar"],
    "venue":           ["dblp", "openalex", "semantic_scholar", "crossref"],
    "pdf_url":         ["arxiv", "openalex", "semantic_scholar"],
    "keywords":        ["openalex", "hf_daily", "papers_cool"],
}

涉及文件

文件	改动
application/services/paper_merger.py	新建
application/services/paper_search_service.py	去重时调用 merge
tests/unit/test_paper_merger.py	新建

验收标准

• 合并后字段完整度 > 90%
• citation_count 优先 OpenAlex, PDF URL 优先 arXiv