VLDB：95分，欧洲的数据库会议,也已经有30年的历史。举办地基本上按照一年欧洲,次年其他洲轮换的规律。它是唯一能接近SIGMOD的会议,一般被认为和SIGMOD同样受尊重。它的PC比较diversified一点,另外录取文章的时候可能会考虑一点地域平衡。因此对于美国的投稿甚至有可能感觉比SIGMOD还难进。在这个会议上也能见到更多的来自美国以外的文章。
PODS：95分，数据库理论的最好会议,也是一个很好的理论会议。每年和SIGMOD一起开。相对SIGMOD来说,这个圈子要小得多。SIGKDD: 92分，data mining的最好会议。虽然database和data mining关系密切,比较这两个领域的会议已经很难。Data mining的community比较小,这个领域比较新。对于一篇SIGKDD paper的作者来说,如果能被SIGMOD接受,他/她可能会更开心。
ICDE: 92分，IEEE的数据库会议。IEEE的会议一般都比ACM对应会议差一些，ICDE也不例外。一般被认为明显比SIGMOD/VLDB差一个档次，但又明显比其他的数据库会议高一个档次。也就是说，没有与它半斤八两的（非理论）数据库会议。
CIDR: 90分（？），数据库领域的新兴会议，只收vision类的paper，强调的是创新性的idea，并不要求很solid很complete的results。在2002年由Michael Stonebraker, Jim Gray, 和David DeWitt等人发起。在2002年的SIGMOD keynote speech中,Michael Stonebraker说现在SIGMOD paper都要有令人敬畏的图和公式才能被收录,往往不利于真正有开创性的工作,他希望大家都做sea change的工作。CIDR是两年一次的会议,93和95年各开了一次,投稿和收录的比较少,但基本上主要的那些researcher和这个field的leader都在那儿,更focused一些。虽然才开了两届,但已经成为很受重视的一个数据库会议。当然,这个会议还有待时间的检验。
EDBT: 88分，欧洲的第二好的数据库会议,不过比VLDB差了不少,一般大家只重视SIGMOD/VLDB/ICDE这三个会议。这个会议相对来说比较新,从88年开始逢双数年在欧洲开。
ICDT: 88分(?)，这个是欧洲的数据库理论会议,也是隔年召开,现在是单数年召开,与EDBT错开。
WWW: 86分，这个主要是做Web的研究者的会议,不过Web data现在在数据库领域中做的人不少。这个会议的文章质量有些参差不齐,不过还是一个很有特色很有意思的会议。
CIKM: 85分，这个其实主要被认为是IR的会议。虽然号称是IR领域仅次于SIGIR的会议,但IR community比较小,它已经比SIGIR差了一个档次。它的特色是结合IR和DB。
ER: 85分(?)，这个是focus在数据模型的会议,不过在数据库领域的影响力已经很小。ER模型的创始人Peter Chen现在还在这个圈子里。
ICDM: 83分(?)，这个是IEEE的data mining会议,比SIGKDD要差不少
lucky是数据库专家，在这方面当然比我懂得多。不过为了给大家一个完整的“sir版观点”，我还是再写一篇，把我的个人浅见跟lucky的对比一下，会更加有趣。请大家注意：不同的意见来自不同的视角，未必有对错之分。其实我对数据库会议的rating跟lucky基本一致，不一致的地方主要在数据挖掘。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。大家看了下面分数的对比，就很清楚了。
SIGMOD：97分（lucky rating：98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（lucky rating：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。
PODS：95分（lucky rating：95分）。正如lucky所说，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（lucky rating：92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。
ICDE：92分（lucky rating：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（lucky rating：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（lucky rating：88分），PODS的欧洲版，数据库理论第二会议。
CIKM：85分（lucky rating：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（lucky rating：83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。
================================================================
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。
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。
没有评论:
发表评论