数据挖掘领域*会议期刊及其分析

时间:2022-01-29 13:10:13

 

Journals
ACM TKDD http://tkdd.cs.uiuc.edu/
DMKD http://www.springerlink.com/content/1573-756X/?p=859c3e83455d41679ef1be783e923d1d&pi=0
IEEE TKDE http://www.ieee.org/organizations/pubs/transactions/tkde.htm
ACM TODS http://www.acm.org/tods/
VLDB Journal http://www.vldb.org/
ACM Tois http://www.acm.org/pubs/tois/

Conferences
SigKDD http://www.sigkdd.org/
ICDM http://www.cs.uvm.edu/~icdm/
SDM http://www.siam.org/meetings/sdm07/
PKDD http://www.ecmlpkdd2007.org/
VLDB http://www.vldb.org/
SigMod http://www.acm.org/sigmod/
ICDE http://www.ipsi.fraunhofer.de/tcde/conf_e.html
WWW http://www.iw3c2.org/conferences

Online Resources
http://www.kdnuggets.com
http://www.chinakdd.com
网址集合 http://www.dmoz.org/Computers/Software/Databases/Data_Mining//
A google co-op search engine for Data Mining

http://www.google.com/coop/cse?cx=006422944775554126616:ixcd3tdxkke
Data Mining, University of Houston

http://nas.cl.uh.edu/boetticher/CSCI5931 Data Mining.html
Data Mining Program, University of Central Florida http://dms.stat.ucf.edu/
Data Mining Group, University of Dortmund http://www-ai.cs.uni-dortmund.de/index.html
Data Mining, MIT OCW

http://ocw.mit.edu/OcwWeb/Sloan-School-of-Management/15-062Data-MiningSpring2003/CourseHome/
Data Mining Group, Tsinghua http://dbgroup.cs.tsinghua.edu.cn/dmg.html
KDD oral presentations video http://www.videolectures.net

Tools
Weka http://www.cs.waikato.ac.nz/ml/weka/
Rapid Miner(Yale) http://rapid-i.com/content/view/3/76/lang,en/
IlliMine http://illimine.cs.uiuc.edu/ 
Alpha Miner http://www.eti.hku.hk/alphaminer
Potter's Wheel A-B-C http://control.cs.berkeley.edu/abc/

 

分析:

一流的:

数据库三大*会议SIGMODVLDBICDE,数据挖掘KDD,实际相关的还有机器学习ICML,还有信息检索的SIGIR;数据库的理论会议PODS


二流的:

EDBTICDTCIKMSDMICDMPKDD,还有ECML欧洲的机器学习会议(这个应该是1.5档的,比一般的二流好)

 

SIGMOD97分,数据库的最高会议,涉及范围广泛,稍偏应用(因为理论文章有PODS)。没说的,景仰如滔滔江水。这个会议不仅是double-blind review,而且有rebuttal procedure,可谓独树一帜,与众不同。

VLDB
95分,非常好的数据库会议。与SIGMOD类似,涉及范围广泛,稍偏应用。

从文章的质量来说,SIGMODVLDB难分伯仲,没有说谁比谁更高。他们的范围也几乎一样。 不少牛人都认为,今年的rebuttal procedure其实并不怎么成功。投稿太多,很难做到每一篇都公平公正。很多rebuttal没人看。

double-blind是把双刃剑。这几年来每年都有人冒充牛人的风格来投稿,有的还真进去了。 反而VLDB的审稿质量一直很高。每年的VLDB都有很理论的paper

一般来说,我感觉大家还是认为SIGMOD要好那么一点点。根据我个人读过的文章,也有这样的感觉。不过这个并不重要了,有差别也是那么一点。

PODS
95分。是数据库理论的最好会议,也是一个很好的理论会议。每年总是co-located with SIGMOD。感觉其中算法背景的人占主流(你可以数数PODS文章中有多少来自Motwani group),也有一部分AI背景的人(毕竟SIGART也是主办者之一)。它的影响力远不及SIGMOD,然而其中文章的质量比较整齐,variance小于SIGMOD(以及其他任何数据库会议)。有一位牛人说:“PODS never had a really bad paper这是它值得骄傲的地方。

KDD:
full paper 95分,poster/short paper 90分。数据挖掘的最高会议。由于历史积累不足以及领域圈子较小,勿用讳言KDD目前比SIGMOD尚有所不如。我觉得我们可以这样类比:KDD:SIGMOD=CRYPTO:STOC

回顾密码学的历史,真正最牛的文章一般发在STOC/FOCS而非CRYPTO/EUROCRYPT,这和今天的数据挖掘何等类似!然而你看看今天的密码学文章,已经有*的密码学家(恕我不便写出名字)不再往STOC/FOCS投稿。我觉得同样的事情在不久的 将来也会发生在数据挖掘中,让我们拭目以待。

这几年来KDD的质量都很高。其full paper的质量高于SIGMOD/VLDB中数据挖掘方面的paper 的质量。原因是SIGMOD/VLDB审稿人中数据挖掘的人很少,审稿标准不一定能掌握得很好。


这几年好几篇SIGMOD/VLDB的数据挖掘paperfollow一些KDDpaper。而在KDD,要拿一篇full paper真难。去年复旦拿了一篇,实属难能可贵。今年他们又拿了一个SIGMOD demo,说明工作的确很扎实。

听说在很多地方,如果能有一篇SIGMOD/VLDB/KDD,就能博士毕业,能有两篇就能找到不错的工作。革命尚未成功,同志仍需努力!

ICDE
92分。很好的数据库会议,也是一个大杂烩。好处是覆盖面广、包容性强,坏处是文 章水平参差不齐。

EDBT
88分,不错的数据库会议,录取率很低然而历史积累不足,影响还明显不及ICDE

ICDT
88分,PODS的欧洲版,数据库理论第二会议。

 

SIGMOD/VLDB一样,ICDEEDBT在质量和影响上都不相上下。 其它的如CIKMICDMSDMSSDBMPKDD等等都比以上的会议差一截。

CIKM
85分。

SDM
full paper 90分,poster/short paper 85分。SIAM的数据挖掘会议,与ICDM并列为数据挖掘领域的第二位,比KDD有明显差距。好像其中统计背景的人比较多,也有一部分机 器学习背景的人,比较diversified

ICDM
full paper 90分,poster/short paper 85分。IEEE的数据挖掘会议,与SDM并列为数据挖掘领域的第二位,比KDD有明显差距。

PKDD
83分(因为poster/short paper数量很少,所以不予区分)。好像是KDD的欧洲版, 但与KDD差距很大。