数据挖掘领域的主要会议

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