数据挖掘主要会议

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。 http://blogger.org.cn/blog/more.asp?name=zhaoyong04&id=24556

IJCAI (1+): AI最好的综合性会议, 1969年开始, 每两年开一次, 奇数年开. 因为AI 实在太大, 所以虽然每届基本上能录100多篇（现在已经到200多篇了），但分到每个领域就没几篇了，象machine learning、computer vision这么大的领域每次大概也就10篇左右, 所以难度很大. 不过从录用率上来看倒不太低,基本上20%左右, 因为内 行人都会掂掂分量, 没希望的就别浪费reviewer的时间了. 最近中国大陆投往国际会议的文章象潮水一样, 而且因为国内很少有能自己把关的研究组, 所以很多会议都在complain说中国的低质量文章严重妨碍了PC的工作效率. 在这种情况下, 估计这几年国际会议的录用率都会降下去. 另外, 以前的IJCAI是没有poster的, 03年开始, 为了减少被误杀的好人, 增加了2页纸的poster.值得一提的是, IJCAI是由貌似一个公司"IJCAI Inc."主办的(当然实际上并不是公司, 实际上是个基金会), 每次会议上要 发几个奖, 其中最重要的两个是IJCAI Research Excellence Award 和 Computer& Thoughts Award, 前者是终身成就奖, 每次一个人, 基本上是AI的最高奖(有趣的是, 以AI为主业拿图灵奖的6位中, 有2位还没得到这个奖), 后者是奖给35岁以下的青年科学家, 每次一个人. 这两个奖的获奖演说是每次IJCAI的一个重头戏.另外，IJCAI 的 PC member 相当于其他会议的area chair, 权力很大, 因为是由PC member 去找 reviewer 来审, 而不象一般会议的PC member其实就是 reviewer. 为了制约这种权力, IJCAI的审稿程序是每篇文章分配2位PC member, primary PC member去找3位reviewer, second PC member 找一位.

AAAI (1): 美国人工智能学会AAAI的年会. 是一个很好的会议, 但其档次不稳定, 可以给到1+, 也可以给到1-或者2+, 总的来说我给它"1". 这是因为它的开法完全受IJCAI制约: 每年开, 但如果这一年的IJCAI在北美举行, 那么就停开. 所以, 偶数年里因为没有IJCAI, 它就是最好的AI综合性会议, 但因为号召力毕竟比IJCAI要小一些,特别是欧洲人捧AAAI场的比IJCAI少得多(其实亚洲人也是), 所以比IJCAI还是要稍弱一点, 基本上在1和1+之间; 在奇数年, 如果IJCAI不在北美, AAAI自然就变成了比IJCAI低一级的会议(1-或2+), 例如2005年既有IJCAI又有AAAI, 两个会议就进行了协调, 使得IJCAI的录用通知时间比AAAI的deadline早那么几天, 这样IJCAI落选的文章可以投往AAAI.在审稿时IJCAI 的 PC chair也在一直催, 说大家一定要快, 因为AAAI那边一直在担心IJCAI的录用通知出晚了AAAI就麻烦了.

COLT (1): 这是计算学习理论最好的会议, ACM主办, 每年举行. 计算学习理论基本上可以看成理论计算机科学和机器学习的交叉, 所以这个会被一些人看成是理论计算机科学的会而不是AI的会. 我一个朋友用一句话对它进行了精彩的刻画: "一小群数学家在开会". 因为COLT的领域比较小, 所以每年会议基本上都是那些人. 这里顺便提一件有趣的事, 因为最近国内搞的会议太多太滥, 而且很多会议都是LNCS/LNAI出论文集, LNCS/LNAI基本上已经被搞臭了, 但很不幸的是, LNCS/LNAI中有一些很好的会议, 例如COLT.

CVPR (1): 计算机视觉和模式识别方面最好的会议之一, IEEE主办, 每年举行. 虽然题目上有计算机视觉, 但个人认为它的模式识别味道更重一些. 事实上它应该是模式识别最好的会议, 而在计算机视觉方面, 还有ICCV与之相当. IEEE一直有个倾向, 要把会办成"盛会", 历史上已经有些会被它从quality很好的会办成"盛会"了. CVPR搞不好也要走这条路. 这几年录的文章已经不少了. 最近负责CVPR会议的TC的chair发信说, 对这个community来说, 让好人被误杀比被坏人漏网更糟糕, 所以我们是不是要减少好人被误杀的机会啊? 所以我估计明年或者后年的CVPR就要扩招了.

ICCV (1): 介绍CVPR的时候说过了, 计算机视觉方面最好的会之一. IEEE主办. ICCV逢奇数年开，开会地点以往是北美，欧洲和亚洲轮流，本来2003年定在北京，后来因Sars和原定05年的法国换了一下。ICCV'07年将首次在南美(巴西)举行. CVPR原则上每年在北美开, 如果那年正好ICCV在北美,则该年没有CVPR.

ICML (1): 机器学习方面最好的会议之一. 现在是IMLS主办, 每年举行. 参见关于NIPS的介绍.

NIPS (1): 神经计算方面最好的会议之一, NIPS主办, 每年举行. 值得注意的是, 这个会每年的举办地都是一样的, 以前是美国丹佛, 现在是加拿大温哥华; 而且它是年底开会, 会开完后第2年才出论文集, 也就是说, NIPS'05的论文集是06年出. 会议的名字是"Advances in Neural Inxxxxation Processing Systems", 所以, 与ICMLECML这样的"标准的"机器学习会议不同, NIPS里有相当一部分神经科学的内容, 和机器学习有一定的距离. 但由于会议的主体内容是机器学习, 或者说与机器学习关系紧密, 所以不少人把NIPS看成是机器学习方面最好的会议之一. 这个会议基本上控制在MichaelJordan的徒子徒孙手中, 所以对Jordan系的人来说, 发NIPS并不是难事, 一些未必很强的工作也能发上去, 但对这