数据挖掘顶级会议与期刊分析

Journals

ACM TKDD  http://tkdd.cs.uiuc.edu/

DMKD  http://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，比一般的二流好）

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 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。