数据挖掘领域的主要会议 【转载】
http://blogger.org.cn/blog/more.asp?name=zhaoyong04&id=24556
一流的:数据库三大顶级会议SIGMOD,VLDB,ICDE,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,但它是理论的会议所以和咱们就不大相关了
二流的:EDBT,ICDT,CIKM,SDM,ICDM,PKDD,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),这些会也不好中,中了也会会觉得不一定爽,你可能觉得再以努力就上一流了,哈哈。还有一些会,俺就懒得列了!
下面是很早以前AI版的一个帖子,写得还不错,看看吧,哈哈
————————————————————————————————————
有些人的工作很原创,每年总有一些很新颖的东西。有的人文章很多,但主要都是follow别人的工作。Database领域有不少paper machine。有的地方,整个group就是一个大的papermachine。
个人感觉数据库研究者倾向于把数据挖掘看作一个数据库的子领域,因而对数据挖掘的会议
rating较低。然而对其他背景的人而言,数据挖掘是相对独立的一个新兴领域,因而对其会
议rating比较高。
SIGMOD:97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 procedur
e,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,SIGMOD和VLDB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-locate
d 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SIGM
OD,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 re
ally 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C
RYPTO/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
顶级的密码学家(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paper都follow一些KDD的paper。而在KDD,要拿一篇f
ull 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。
和SIGMOD/VLDB一样,ICDE和EDBT在质量和影响上都不相上下。
其它的如CIKM,ICDM,SDM,SSDBM,PKDD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。
分享到:
相关推荐
数据挖掘作为一个新兴的多学科交叉应用领域,正在各行各业的决策支持活动 演着越来越重要的角色。本书将介绍数据挖掘( )与数据库知识发现 )的基本知识,以及从大量有噪声、不...
数据挖掘十大经典机器学习算法,国际权威的学术组织 the IEEE International Conference on Data Mining (ICDM) 2006 年 12 月评选出了数据挖掘领域的十大经典算法: C4.5, k-Means, SVM, Apriori, EM, PageRank, ...
数据挖掘领域的十大经典算法原理及应用.docx数据挖掘领域的十大经典算法原理及应用.docx数据挖掘领域的十大经典算法原理及应用.docx数据挖掘领域的十大经典算法原理及应用.docx数据挖掘领域的十大经典算法原理及应用...
数据挖掘技术的主要方法及其发展方向.caj OLAP和数据挖掘技术在Web日志上的应用.caj 数据挖掘技术12.caj 数据挖掘技术初探.caj 探索式数据挖掘模型的讨论.caj 前向网络bp算法在数据挖掘中的运用.caj 数据挖掘在...
数据挖掘相关的权威期刊和会议列表,列出了非常多的数据挖掘相关的权威期刊和会议,对数据挖掘的研究非常有帮助。
数据挖掘是数据库最活跃的领域之一 ,本文不仅系统的介绍了数据挖掘技术的发展背景、数据挖掘的概念和特点、数据挖掘的功能,数据挖掘的内容和本质,研究历史和现状,而且对数据挖掘的局限性也进行了研究和探讨,最后...
《数据仓库与数据挖掘》课程设计方案报告模板.pdf《数据仓库与数据挖掘》课程设计方案报告模板.pdf《数据仓库与数据挖掘》课程设计方案报告模板.pdf《数据仓库与数据挖掘》课程设计方案报告模板.pdf《数据仓库与数据...
《数据挖掘概念与技术(原书第2版)》全面地讲述数据挖掘领域的重要知识和技术创新。在第1版内容相当全面的基础上,第2版展示了该领域的最新研究成果,例如挖掘流、时序和序列数据以及挖掘时间空间、多媒体、文本和Web...
摘要近年来,伴随着空间信息获取技术的快速发展,不同类型的空间数据库以及数据库...该文在回顾已有空间数据挖掘规则的基础上,指出了空间数据挖掘过程中存在的主要问题,进而探讨了未 来空间数据挖掘的主要研究方向。
第8届中国数据挖掘会议.pdf
2012年数据挖掘会议的相关ICDM2012文档
摘要:本文首先介绍了微电子领域及该领域中半导体制造的发展现状,然后分析了数据挖掘在半导体制造中应用的必要性和可行性。最后重点讨论数据挖掘技术在研究晶圆制造质量异常问题中的应用,文章中给出了半导体制造中...
方法主要面向可规模化的、有效的数据挖掘工具开发。本章,你将学习数据挖掘如何成为数据库技 术自然进化的一部分,为什么数据挖掘是重要的,以及如何定义数据挖掘。你将学习数据挖掘系统 的一般结构,并考察挖掘的...
“第八届互联网搜索与数据挖掘国际会议(WSDM 2015)”在上海举行.pdf
第17届亚太地区知识发现与数据挖掘国际会议(PAKDD 2013)征文通知.pdf
数据挖掘技术应用领域分析探讨.pdf
电商毕业论文查重率极低,数据挖掘技术在电子商务领域的应用。
数据挖掘课件数据挖掘课件数据挖掘课件数据挖掘课件
数据挖掘领域本体模型的研究,郑亮,李学明,数据挖掘是当前计算机科学研究的活跃领域。该领域知识的不断扩充和更新,使得数据挖掘工作者在实施数据挖掘时,对众多的领域知识
数据挖掘论文,数据挖掘在信息领域的应用,希望对大家有所帮助