中国和美国 Database 牛校、牛人及相关会议评价 [转载]
其实，DB牛的也就那么二十来所学校。。。
USA: Wisconsin, Stanford, Berkeley, Cornell, UIUC, Washington, CMU， UCSD, UMich, UPenn, Maryland, Columbia, Purdue, Duke, UCSB, Arizona, Florida
CA: Toronto, Waterloo
EU: ETHZ, Edinburgh, MPI Informatik
Asia: NUS, HKUST
今天无聊随便看，发现Berkeley DB Group 3个教授都是Wisconsin的Ph.D（虽然Papadimitriou也被列在DB里，不过鉴于他是做theory的超级大牛，兼做下db theory，就不算在db里了），真是无语啊。。。Cornell DB Group 2个主力教授也都是Wisc的Ph.D；UIUC不用说了，DM界数一数二的超级大牛Jiawei Han也是Wisc的Ph.D；CMU DB Group两位主力教授有一是Wisc 00年毕业的Ph.D；后面的就不数了。。。看来Wisc DB Group的Ph.D毕业后的Placement异常地好，不愧是世界第一。虽然Raghu Ramakrishnan离开Wisc加盟了Yahoo!，它家的DB Group阵容依然强大，有David DeWitt和Jeff Naughton两位超级大牛坐镇，还有Anhai Doan这位2003年ACM最佳博士论文奖得主这样的超级新星的加盟，相信Wisc DB仍然一路走好。。。（其实还是Ramakrishnan没离开时最牛，想想4个教授有3个ACM Fellow，还有个年轻的是ACM Doctoral Dissertation Award Winner，将来肯定也是ACM Fellow，@_@,而且Ramakrishnan现在还是SIGMOD的chair。。。）
NUS和HKUST DB也够强悍，单看在SIGMOD/VLDB上的publication都和UIUC，Cornell有得一拼了，太牛了~
大陆的数据库组，就是RUC,FDU,PKU这3家是不错的了。人大的数据库无疑是大陆第一，faculty里，王珊虽然很牛，不过也老了。。。孟小峰不错，也很年轻，实力派~ （后悔当年没报人大 @_@） 北大的杨冬青和唐世渭太老了。。。 复旦那边就是周傲英了，牛气十足：）个人补充一点，现在清华和哈工大也Very的牛，哈工大Jianzhong Li在Berkley转了一圈，统计一下发了好几篇VLDB。清华也在最近几年引入2名牛人Ling Feng和Jianyong Wang，TODS、TKDE和ICDE都有所斩获。 人大那边引入一个Cuiping Li，NUS过来的，一回来就带回一篇VLDB，今年人大Top又搞定好几篇。北大引进Bin Cui，SIMOD07搞定一篇，据说一作是个非计算机的本科生，牛呀。复旦这几年跟NUS合作不错，ICDE08搞定一篇Regular paper，好像也是一个本科生，牛呀。如果非要给这些学校在DB领域排个座次，我觉得目前应该这样排：人大、复旦、清华、北大、哈工大。
(09/01添补：今天在DBLP上看到我目前见到的最Kong Bu(kao,校内连这也屏蔽)的publication，此年轻超级大牛的论文发表量如下（此大牛99年从Toronto Ph.D毕业，所以只计算其00年后的publication，并且此处仅仅统计部分top conference）：
2007： SIGMOD 1篇，VLDB 4篇，ICDE 6篇，WWW 1篇
2006： SIGMOD 3篇，VLDB 3篇，ICDE 2篇，ICDM 1篇
2005： SIGMOD 2篇，VLDB 4篇，ICDE 4篇，WWW 1篇
2004： VLDB 3篇，ICDE 2篇
2003： SIGMOD 1篇，VLDB 3篇，ICDE 5篇，KDD 1篇，WWW 1篇
2002： SIGMOD 3篇，PODS 1篇，ICDE 3篇，KDD 1篇
2001： STOC 1篇，SIGMOD 1篇，VLDB 1篇，PODS 1篇，ICDE 2篇
2000： SIGMOD 1篇，VLDB 1篇，PODS 2篇
仅统计SIGMOD/VLDB的话，8年间他共发表了12篇SIGMOD，19篇VLDB。。。以前有人专门做了个统计，分析得到全球28位数据库领域的超级牛人平均10年内在SIGMOD/VLDB上发表15篇左右，即平均每年1.5篇SIGMOD/VLDB。也就是说，哪位如果10年内在这两个会议上发表了15篇以上的paper，就可以排进“数据库世界前30超级大牛”了。而这位大大已经达到了平均每年3.875篇SIGMOD/VLDB的水平，OMG~ 非人类中的超级BT~~~)
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paper machine。
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 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，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-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Motwanigroup），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。
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。
USA: Wisconsin, Stanford, Berkeley, Cornell, UIUC, Washington, CMU， UCSD, UMich, UPenn, Maryland, Columbia, Purdue, Duke, UCSB, Arizona, Florida
CA: Toronto, Waterloo
EU: ETHZ, Edinburgh, MPI Informatik
Asia: NUS, HKUST
今天无聊随便看，发现Berkeley DB Group 3个教授都是Wisconsin的Ph.D（虽然Papadimitriou也被列在DB里，不过鉴于他是做theory的超级大牛，兼做下db theory，就不算在db里了），真是无语啊。。。Cornell DB Group 2个主力教授也都是Wisc的Ph.D；UIUC不用说了，DM界数一数二的超级大牛Jiawei Han也是Wisc的Ph.D；CMU DB Group两位主力教授有一是Wisc 00年毕业的Ph.D；后面的就不数了。。。看来Wisc DB Group的Ph.D毕业后的Placement异常地好，不愧是世界第一。虽然Raghu Ramakrishnan离开Wisc加盟了Yahoo!，它家的DB Group阵容依然强大，有David DeWitt和Jeff Naughton两位超级大牛坐镇，还有Anhai Doan这位2003年ACM最佳博士论文奖得主这样的超级新星的加盟，相信Wisc DB仍然一路走好。。。（其实还是Ramakrishnan没离开时最牛，想想4个教授有3个ACM Fellow，还有个年轻的是ACM Doctoral Dissertation Award Winner，将来肯定也是ACM Fellow，@_@,而且Ramakrishnan现在还是SIGMOD的chair。。。）
NUS和HKUST DB也够强悍，单看在SIGMOD/VLDB上的publication都和UIUC，Cornell有得一拼了，太牛了~
大陆的数据库组，就是RUC,FDU,PKU这3家是不错的了。人大的数据库无疑是大陆第一，faculty里，王珊虽然很牛，不过也老了。。。孟小峰不错，也很年轻，实力派~ （后悔当年没报人大 @_@） 北大的杨冬青和唐世渭太老了。。。 复旦那边就是周傲英了，牛气十足：）个人补充一点，现在清华和哈工大也Very的牛，哈工大Jianzhong Li在Berkley转了一圈，统计一下发了好几篇VLDB。清华也在最近几年引入2名牛人Ling Feng和Jianyong Wang，TODS、TKDE和ICDE都有所斩获。 人大那边引入一个Cuiping Li，NUS过来的，一回来就带回一篇VLDB，今年人大Top又搞定好几篇。北大引进Bin Cui，SIMOD07搞定一篇，据说一作是个非计算机的本科生，牛呀。复旦这几年跟NUS合作不错，ICDE08搞定一篇Regular paper，好像也是一个本科生，牛呀。如果非要给这些学校在DB领域排个座次，我觉得目前应该这样排：人大、复旦、清华、北大、哈工大。
(09/01添补：今天在DBLP上看到我目前见到的最Kong Bu(kao,校内连这也屏蔽)的publication，此年轻超级大牛的论文发表量如下（此大牛99年从Toronto Ph.D毕业，所以只计算其00年后的publication，并且此处仅仅统计部分top conference）：
2007： SIGMOD 1篇，VLDB 4篇，ICDE 6篇，WWW 1篇
2006： SIGMOD 3篇，VLDB 3篇，ICDE 2篇，ICDM 1篇
2005： SIGMOD 2篇，VLDB 4篇，ICDE 4篇，WWW 1篇
2004： VLDB 3篇，ICDE 2篇
2003： SIGMOD 1篇，VLDB 3篇，ICDE 5篇，KDD 1篇，WWW 1篇
2002： SIGMOD 3篇，PODS 1篇，ICDE 3篇，KDD 1篇
2001： STOC 1篇，SIGMOD 1篇，VLDB 1篇，PODS 1篇，ICDE 2篇
2000： SIGMOD 1篇，VLDB 1篇，PODS 2篇
仅统计SIGMOD/VLDB的话，8年间他共发表了12篇SIGMOD，19篇VLDB。。。以前有人专门做了个统计，分析得到全球28位数据库领域的超级牛人平均10年内在SIGMOD/VLDB上发表15篇左右，即平均每年1.5篇SIGMOD/VLDB。也就是说，哪位如果10年内在这两个会议上发表了15篇以上的paper，就可以排进“数据库世界前30超级大牛”了。而这位大大已经达到了平均每年3.875篇SIGMOD/VLDB的水平，OMG~ 非人类中的超级BT~~~)
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paper machine。
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 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，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-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Motwanigroup），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。
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。