数据挖掘领域顶级会议期刊及其分析

Journals
ACM TKDD http://tkdd.cs.uiuc.edu/
DMKDhttp://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。

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，比通常的二流好）

 

SIGMOD：97分，数据库的最高会议，涉及范围普遍，稍偏应用（由于理论文章有PODS）。没说的，景仰如滔滔江水。这个会议不只是double-blind review，并且有rebuttal procedure，可谓独树一帜，不同凡响。 

VLDB：95分，很是好的数据库会议。与SIGMOD相似，涉及范围普遍，稍偏应用。 

从文章的质量来讲，SIGMOD和VLDB难分伯仲，没有说谁比谁更高。他们的范围也几乎同样。 很多牛人都认为，今年的rebuttal procedure其实并不怎么成功。投稿太多，很难作到每一篇都公平公正。不少rebuttal没人看。

double-blind是把双刃剑。这几年来每一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。每一年的VLDB都有很理论的paper。 

通常来讲，我感受你们仍是认为SIGMOD要好那么一点点。根据我我的读过的文章，也有这样的感受。不过这个并不重要了，有差异也是那么一点。 

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”。每一年老是co-located with SIGMOD。感受其中算法背景的人占主流（你能够数数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（以及其余任何数据库会议）。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。因为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。我以为咱们能够这样类比：KDD:SIGMOD=CRYPTO:STOC。

回顾密码学的历史，真正最牛的文章通常发在STOC/FOCS而非CRYPTO/EUROCRYPT，这和今天的数据挖掘何等相似！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）再也不往STOC/FOCS投稿。我以为一样的事情在不久的 未来也会发生在数据挖掘中，让咱们拭目以待。 

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。缘由是SIGMOD/VLDB审稿人中数据挖掘的人不多，审稿标准不必定能掌握得很好。

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full paper真难。去年复旦拿了一篇，实属难能难得。今年他们又拿了一个SIGMOD demo，说明工做的确很扎实。 

据说在不少地方，若是能有一篇SIGMOD/VLDB/KDD，就能博士毕业，能有两篇就能找到不错的工做。“革命还没有成功，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 章水平良莠不齐。 
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同样，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（由于poster/short paper数量不多，因此不予区分）。好像是KDD的欧洲版， 但与KDD差距很大。

转自：http://www.chinakdd.com/article-6q8iE1o34PM0i45.html