數據挖掘、機器學習領域有哪些知名的期刊或會議?

或者前輩們已經回答了類似的問題 賞我一個傳送門吧- -


純個人意見。

理論paper的話:

最強的在STOC或FOCS,或者annals of stats。逼格比其他的不知道高到哪去了。。。。。。。

COLT平均質量比ICML或NIPS高。最大的好處是不會因為不做實驗而噴你。Reviewer非常認真,會在review里送你a simpler proof。但圈子太小,你中了best paper可能也沒人吊你。

ICML/NIPS:因為受眾廣,為了影響力,很多好paper會不投COLT投到這裡,平均質量不如COLT。證明有錯的paper不要太多=。=另外經常有reviewer噴你竟然不做實驗!

AISTATS/UAI: 小會,理論難度和ICML/NIPS差不多,實驗要求稍低。

ICLR:雖然theory paper少吧,但其實質量挺高的。

其他AI conference的learning theory paper一般是不能看的=。=


利益相關:中過COLT/ICML/NIPS/AISTATS


常見會議和期刊如下(其他回答者也提到CCF已經有目錄 CCF推薦排名)

機器學習領域會議:COLT、NIPS、ICML、AISTATS、UAI
機器學習領域期刊:JMLR、PAMI

機器學習的工作也常常發表在人工智慧相關會議上,比如
人工智慧會議:IJCAI、AAAI
人工智慧期刊:AI

除了機器學習和人工智慧的會議,CV和NLP方面也有大量機器學習相關的工作,因此不少與機器學習相關的工作也會發在CV和NLP相關會議上。


前幾位說的都是ML的會議期刊,那我給個data mining的list好了

會議:
SIGKDD:這個想必大家都知道了,而且今年又發生了被打臉事件,看這裡如何評價 SIGMOD 2015 最佳論文《DBSCAN Revisited》? - 計算機科學
SIGMOD:接上一個,主要偏資料庫的研究,看得不多,不過不乏好的DM的文章
SIGIR:也是ACM的會,原是信息檢索的會,不過有好多質量高的DM文章,值得一看
ICDE、VLDB:這兩個應該都是偏資料庫的會,不怎麼有看過
WSDM:08年第一屆,比較新,雖然CCF上只是C類(15年升到B類了),但是文章質量還不錯,有些文章的idea挺好,值得一看
WWW:關於web的會議,涉及的topic的可以多一些,也有很多DM的文章
CIKM:不怎麼有看過,直接看這裡吧http://www.cikm-2015.org/

期刊:
IEEE Transactions on Knowledge and Data Engineering (TKDE)
ACM Transactions on Information Systems (TOIS)
ACM Transactions on Intelligent Systems and Technology (TIST)

感謝Luau Lawrence的補充

此外,如果對data mining感興趣的話,建議可以看下SIGMETRICS、IMC這類會議,在對數據的認識上可以給你一定的啟發


Eta已經給出了 list了,我具體增補一下:(個人理解,如有不一致,歡迎討論)
ICML:機器學習領域的頂會,偏理論,閱讀難度偏高,icml-16 網址ICML New York City
NIPS:機器學習領域的頂會(雖未上ccf a,但我把它當作頂會),原由jordan主導,經常能見到各個大廠的工作,比如FB,G,MS等,閱讀難度中等,低於icml,網址:https://nips.cc
COLT:純理論的會,圈子比較小,與icml相輔相成,比如colt-15上的open question 就在icml-15上發表了。
AAAI:AI領域的頂會,這個會我平時主要關注KB相關的工作,論文質量尚可,網址www.aaai.org
IJCAI:AI領域的頂會(我記得是頂會),IJCAI-15的chair是周志華老師,論文僅讀過eta的paper,不好評價,網址:ijcai.org/。
UAI,AISTAT:讀的較少,後者偏理論,但與COLT區別,AISTAT的理論不像COLT那樣系統,有些理論的工作比較偏intuitive,網址:http://www.auai.org,www.aistats.org/,後者發表的論文在jmlr上的proceedings上可以查到。
ICCV,CVPR,ECCV 僅讀過幾篇,CV領域的頂會,質量應該都非常高。

ACL:自然語言處理的頂會,論文質量不錯,但整體受ML/CV影響太大,已有失去NLP/CL的韻味的趨勢,https://www.aclweb.org/
EMNLP,coling:自然語言處理領域會議,現狀同acl
上述會議可以在:ACL Anthology 下載對應的論文

期刊
JMLR:ML領域的頂刊,上面有很多astonishing的工作,論文基本為作者發完會議後改為期刊,所以內容比較滯後,我是在這上面開啟我NLP/ML的學習的,上面的paper描述的問題比較細緻(畢竟期刊),讀起來比較順暢,官網:http://jmlr.org
ML:ML領域的另一個期刊,知名度不如jmlr,質量比較高,由springer出版,直接去springer搜即可。
PAMI:頂刊,和本人研究方向不太相同,基本未關注過。


@li Eta的答案已經說得比較全了,基本可以作為機器學習部分的標準答案。在數據挖掘領域,KDD是當之無愧的最好會議,其次就是ICDM和SDM兩個。除此以外的數據挖掘會議都和以上三者有顯著差距。在期刊上,數據挖掘領域缺乏像PAMI或者JMLR這類傑出的期刊,但是TKDE等也算是不錯。

此外,不要過分相信CCF給出的分類標準,那更多是利益集團博弈產生的結果。雖然我能理解他們的動機,但是把AAAI放在A類第一卻把NIPS和COLT放在B類是我見過最可笑的事情之一。


說個近幾年出現的一個新會,ICLR,是搞deep learning的大佬們新搞的一個會,論文質量也很高。


數據挖掘:
最好的會議:KDD
然後第二檔:ICDM, CIKM,WSDM
剩下可能SDM,ECML-PKDD 和 PAKDD 也還不錯?

其他相關領域:
IR:信息檢索雖然在KDD裡面這幾年也開始有了information search 的session,但是IR的文章主要是發在SIGIR上,另外IR和DM有很多交叉的方向,比如social media, recommendation,text mining 等等

IR的頂級會議SIGIR,剩下的WSDM是一個IR和DM結合的會議,最大的特點和優點(我認為的)是single track,這樣兩個不同領域的專家都可以參與同一篇文章的審稿。個人認為WSDM現在已經除了SIGIR以外IR文章質量最高的會議了。
CIKM 裡面的IR track在走下坡路。ECIR國內沒人投,其實還不錯
這兩年有新開的會議,比如ICTIR, CHIIR,大牛牽頭(B. Croft,S. Dumais),未來可能成為不錯的會議

WWW是一個很有意思的會議,工業界的人員非常多,方向很雜,但是水平都很不錯。谷歌的page rank 論文當年發在了WWW,因為之前投SIGIR被拒了~ 所以好文章分布也不能完全只看一兩個會議,哪裡都有看走眼的時候。

NLP領域有些也相關,但是裡面跟DM相關的論文,說實話。。。還是不說實話了。。。

機器學習的會議最好的是ICML和NIPS
AAAI 和 IJCAI也有不錯的工作。

DM的期刊:TKDE, TKDD


樓上的回答已經比較全面了。下面做一下我的總結:
機器學習:會議:ICML,NIPS,COLT,UAI 期刊:JMLR,TPAMI
數據挖掘:會議:KDD,ICDM,SDM 期刊:TKDE,TKDD,TIST
當然還有一些機器學習和數據挖掘的文章也發表在CV,NLP,AI,IR,DB等領域的會議上,比如SIGIR,WWW,AAAI,IJCAI,WSDM,CIKM,ACL,COLING,EMNLP,ECML-PKDD,CVPR,ICCV,ECCV,ICDE,SIGMOD,SIGSPATIAL等。


可以看一下CCF的推薦排名,CCF推薦排名


補全數據挖掘領域的一些會議:KDD, ICDM, WSDM, ICDE, CIKM, SDM, PKDD 差不多就這些,順序也差不多給個排名印象。


雖然對CCF的具體排名持保留意見,但是用來回答題主的問題基本足夠了
CCF推薦排名
CCF推薦排名


這個問題我試著回答一下:

Conference:

1) NIPS: Neural Information Processing Systems
2) ICML: International Conference on Machine Learning
3) COLT: Conference On Learning Theory
4) CVPR: International Conference on Computer Vision and Pattern Recogintion
5) ICCV: International Comference on Computer Vision
6) ECCV: Europeon Conference on Computer Vision
7) IJCAI: International Joint Conference on Artificial Intelligence
8) AAAI: American Association for Artificial Intelligence
9) UAI: Uncertainty in Artificial Intelligence
10) KDD: Knowledge Discovery and Data Mining
11) SIGIR: (Special Interest Group on Information Retrieval)-SIGIR Conference on Research and Development in Information Retrieval
12) WWW: World Wide Web Conference
13) ACL: Association for Computational Linguistics
14)ICLR: International Conference on Learning Representations

Jounal:

1) PAMI: IEEE Transactions on Pattern Analysis and Machine Intelligence
2) IJCV: International Journal of Computer Vision
3) JMLR: Journal of Machine Learning Research
4) AIJ: Artificial Intelligence (Journal)

附帶加一下,生物醫學信息學的著名會議
1)INCOB: International Conference on Bioinformatics
2) RECOMB: Annual International Conference on Research in Computational Molecular Biology
3) BICOB: International Conference on Bioinformatics and Computational Biology
4) AMIA: Annual American Medical Informatics Association Symposium
5) AMIA Joint Summits on Translational Science
6) ICIBM: International Conference on Intelligent Biology and Medicine
7) ISBRA: International Symposium on Bioinformatics Research and Applications
8) HISB: IEEE Conference on Healthcare Informatics, Imaging and Systems Biology 9)ISMB intelligent system for molecular biology (flag ship meeting of ISCB)

至於生物醫學信息學期刊,那評價標準比較簡單,同一領域看影響因子,大體上差不多。最有名的就是B ioinformatics 那些


http://readai.me 上列表:


Learning theory 會議還有更小眾的ALT(當然水平也差一些), 期刊還有一幫統計學習牛人剛搞的掛在EMS底下的MSL


在一群小白歡快的討論所謂「頂會」的時候,請允許我給你們潑一頭冷水,讓你們清醒清醒。

新入門的小白,加上小弱們喜歡討論的「頂會」,實際上就是一些發表稍微好一點兒灌水文的場所。從引用數據來看,發表在頂會的論文絕大多數引用率並不高,只要用google scholar檢索一下就可以知道。少數一些引用率稍微高些的,大多是因為蹭到了熱點話題,灌水的人多而已。ml領域的話題基本都是偽科學,因此能最後實用的成果極少。

一般機器學習領域的會議期刊加起來,一年值得看的論文不超過10篇。有些人比較各個會的難度,這隻能是個小馬過河的問題。至於說TCS和statistics比ml的逼格高,我只能說可能有一點兒吧,但主要是術業有專攻。如果你覺得高,是因為眼界還不夠。

另外,頂會被學術小圈子把持的現象極其嚴重,嚴重阻礙了學術進步。以某一圈內非常知名的學霸(就不點名了),他和他的徒子徒孫常年在各個頂會發文,實際上都是販賣自己那些偽命題,並沒有什麼實質學術貢獻。那些只要在圈子內的學者,每年都能發不只一篇意義很小的水文。相信如果是一個圈外的學者發了同樣的文章,基本上只有被斃掉的命運。

所謂頂會實際上是個被把持的名利場。非圈子人士只會對頂會追捧,但對圈內的運作一無所知,實際上助長了學霸們的行徑。很多不能見光的事情,ml圈子並未能倖免。

奉勸各位少談論些虛名,少製造ml泡沫,多做發揚學術,推動進步的實績。


推薦閱讀:

線性模型如何解決變數相關性問題?
談談你對大規模機器學習這個領域的理解和認識?
如何成為一個年薪 50 萬以上的數據分析師?
微軟大數據專家對於第 86 屆奧斯卡金像獎進行預測並有高準確率,從技術角度看是如何做的?
如何系統地學習數據挖掘?

TAG:數據挖掘 | 機器學習 |