(会议管理)数据挖掘主要会议
会议中的数据分析和决策支持
会议中的数据分析和决策支持在会议中的数据分析和决策支持在企业管理、市场营销、科学研究等领域，数据分析和决策支持已经成为了重要的工具和方法。
会议作为一种组织形式，也需要借助数据分析和决策支持来提高会议效果和决策质量。
本文将探讨如何在会议中进行数据分析和决策支持。
一、会议中的数据收集和整理在会议中进行数据分析和决策支持的第一步是进行数据的收集和整理。
会议主办方可以提前设计好相关的调查问卷或者准备好需要的数据，以便在会议中进行采集。
会议组织者可以通过在线调查、面对面访谈、专业问卷等方式，获取与会人员的意见反馈和相关数据。
收集到的数据需要经过整理和归类，以便后续的数据分析和决策支持。
数据整理可以使用电子表格软件，将数据按照特定的指标进行分类和排序，方便后续的数据分析和决策支持。
二、会议中的数据分析数据分析是会议中进行决策支持的重要环节。
通过对收集到的数据进行分析，可以获得有价值的信息和洞察，为会议决策提供参考。
数据分析可以采用多种方法，如统计分析、数据挖掘、机器学习等。
在会议中，可以通过统计分析来了解与会人员的特征和偏好，从而更好地满足他们的需求。
另外，数据挖掘和机器学习等方法可以挖掘出潜在的规律和趋势，为会议决策提供启示。
数据分析的结果应该直观、清晰地呈现给与会人员。
可以采用数据可视化的方式，如图表、地图等，将复杂的数据转化为易于理解和沟通的信息。
三、会议中的决策支持数据分析的结果为会议决策提供了参考，会议组织者可以根据数据分析的结果做出决策，并提供决策支持。
决策支持可以包括以下几个方面：1. 确定会议议题和议程：通过数据分析，可以确定与会人员关注的热点问题和重要议题，从而确定会议的议题和议程。
这样做可以提高会议的针对性和实效性。
2. 优化会议形式和内容：数据分析可以揭示出与会人员的偏好和需求，会议组织者可以据此优化会议形式和内容，以增加与会人员的参与度和满意度。
3. 改善决策过程与结果：通过数据分析，可以了解不同意见和建议的分布情况，为决策过程提供参考。
从统计学习到社交网络--数据挖掘及知识发现国际会议KDD2013纪实
绍了微软新研发的大规模数据分析平台Ｒ Ｅ Ｅ Ｆ 。 如
今， 传 统 的 Ｍａ ｐ Ｒ ｅ ｄ ｕ ｃ ｅ 不 适 合 运行 机 器 学 习 中的
互 联 网挖 掘
推 荐 系统
３ － ２ ％
２ ． ７ ％
ｌ ７ ． １ ％
２ ５ ． ７ ％
很多迭代算法已成为共识；Ａｐ ａ ｃ ｈ ｅ Ｈａ ｄ ｏ ｏ ｐ 项目
已变成 了 “ 社 交媒 体 、 社 区发 现 ”。 Ｄ Ｂ Ｌ Ｐ 论 文数 据挖 掘 中几个重 要 的组成 部 分：大数 据 、产业 统 计分 析 。 据库显示 ， ２ ０ ０ ５ 年 的 会 议 论 文 大 多 涉及 分类 、 聚 化 、优 化方 法 、
表１ Ｋ Ｄ Ｄ ２ Ｏ １ ３ 论文主题 ．提交比锄与接收率
之间插入了一 个中间层Ｙ Ａ Ｒ Ｎ， 实现集群系统资源
的 调 度 和 管理 。 Ｒ Ｅ Ｅ Ｆ 搭 建 在Ｙ Ａ Ｒ Ｎ 之 上 。用来 提
２ ２
Ｎｅ ｗｓ 资讯 Ｉ Ｒ ｅ ｐ ｏ ｆ 报道
供编写机器学 习库所需要的更加抽象的语义。
第二个Ｋ ｅ ｙ ｎ ｏ ｔ ｅ 是 由 大家 热 切 期 盼 的 斯 坦 福 大 学 教授 、 Ｃ ｏ ｕ ￣ ｅ ｒ ａ 网站 联 合 创始 人Ａｎ ｄ ｒ ｅ ｗ Ｎ ｇ 主讲。
提 出的 “ 下 一 代 Ｈａ ｄ ｏ ｏ ｐ ”在 ＨＤ Ｆ Ｓ 和Ｍａ ｐ Ｒ ｅ ｄ ｕ ｃ ｅ
概 率 方法
大数据
２ ． ５ ％
２ ． ４ ％
２ ４ ． ５ ％
２ ９ ． ４ ￣ ／ ｏ
用户建模
总 计
１ ． ７ ％
１ Ｏ ０ ％
(会议管理)CS专业重要国际学术会议
ACM/IFIP/USENIX中间件国际会议
58.
ACMInternational Symposium on Mobile Ad Hoc Networking and Computing
MobiHoc
ACM移动自组织网络与计算国际会议
59.
InternationalConference on MobileSystems,Applications,andServices
ICCCN
计算机通信和网络国际会议
45.
International Conference on Distributed Computing Systems
ICDCS
分布式计算系统国际会议
46.
IEEEInternational Conference on Data Engineering
ICDE
IEEE数据工程国际会议
EUROCRYPT
加密技术的理论与应用国际会议
37.
The AnnualConference of the European Association for Computer Graphics
Eurographics
计算机图形学欧洲协会年度会议
38.
ACMEUROSYSConference
EUROSYS
11.
International Conference on Computer Vision
ICCV
计算机视觉国际会议
12.
IEEE International Conference on Network Protocols
ICNP
IEEE网络协议国际会议
13.
IEEE International Conference on Computer Communication
数据分析和业务洞察会议纪要
数据分析和业务洞察会议纪要日期：XXXX年XX月XX日地点：XXXX会议室会议主题：数据分析和业务洞察会议目的：就公司数据分析和业务洞察工作进行总结交流，提出优化建议和改进方案，进一步提升数据的价值和应用效果。
与会人员：- CEO：XXX- CTO：XXX- 数据分析团队负责人：XXX- 业务洞察部门负责人：XXX- 其他相关人员会议内容及讨论：1. 数据分析工作总结在本次会议中，数据分析团队负责人对过去一段时间的数据分析工作进行了总结。
通过对各项数据指标的分析，团队成员深入挖掘了用户行为、产品销售、市场走向等方面的信息。
我们认识到数据分析在公司决策中的作用越来越重要，且在业务发展中具有指导性和决策支持的作用。
2. 数据分析中的挑战与会人员纷纷提到在实施数据分析中所面临的一些挑战，如数据质量问题、数据来源不全、数据分析工具技术难题等。
针对这些问题，大家积极分享经验和解决方案，比如加强数据质量管理、拓宽数据来源渠道、提升数据分析团队技能等。
3. 业务洞察经验分享业务洞察部门负责人分享了他们在业务洞察方面的经验。
通过对市场竞争对手的分析和行业趋势的研究，业务洞察团队能够更好地把握市场需求和行业动向，并提供有针对性的建议。
这些业务洞察的结果可以作为公司决策的重要参考依据。
4. 数据分析与业务洞察的结合会议讨论了如何更好地将数据分析与业务洞察结合起来，实现信息的最大价值。
大家一致认为，数据分析团队和业务洞察团队应加强沟通和合作，共同制定数据采集和分析方法，以便更准确地获取和解读数据背后的业务洞察。
5. 提升数据分析与业务洞察的能力为了进一步提升数据分析与业务洞察的能力，会议提出了一些改进方案。
比如加强数据分析团队的培训，提高其对数据挖掘和分析工具的熟练度；加强市场调研和行业趋势研究，提供更全面的业务洞察信息。
6. 下一步工作计划会议最后确定了下一步的工作计划。
数据分析团队将进一步完善数据采集和整理方式，提高数据质量；同时加强内部培训和技术更新，提高团队整体水平。
数据挖掘顶级期刊简介
顶级会议第一KDD 第二SIAM ICDM中国计算机学会推荐国际学术刊物(数据库、数据挖掘与内容检索)序号刊物简称刊物全称出版社网址1 TODS ACM Transactions on Database Systems ACM /tods/2 TOIS ACM Transactions on Information andSystems ACM /pubs/tois/3 TKDE IEEE Transactions on Knowledge and Data Engineering IEEE Computer Society /tkde/4 VLDBJ VLDB Journal S pringer-Verlag/dblp/db/journals/vldb/index.html二、B类序号刊物简称刊物全称出版社网址1 TKDD ACM Transactions on Knowledge Discovery from Data ACM/pubs/tkdd/2 AEI Advanced Engineering Informatics Elsevier/wps/find/journaldescription.cws_home/622240/3 DKE Data and Knowledge Engineering Elsevier/science/journal/0169023X4 DMKD Data Mining and Knowledge DiscoverySpringer/content/100254/5 EJIS European Journal of Information Systems The OR Society/ejis/6 GeoInformatica Springer /content/1573-7624/7 IPM Information Processing and Management Elsevier/locate/infoproman8 Information Sciences Elsevier /locate/issn/002002559 IS Information Systems Elsevier/information-systems/10 JASIST Journal of the American Society for Information Science and TechnologyAmerican Society for Information Science and Technology /Publications/JASIS/jasis.html11 JWS Journal of Web Semantics Elsevier /locate/inca/67132212 KIS Knowledge and Information Systems Springer /journal/1011513 TWEB ACM Transactions on the Web ACM /三、C类序号刊物简称刊物全称出版社网址1 DPD Distributed and Parallel Databases Springer/content/1573-7578/2 I&M Information and Management E lsevier /locate/im/3 IPL Information Processing Letters Elsevier /locate/ipl4 Information Retrieval Springer /issn/1386-45645 IJCIS International Journal of Cooperative Information Systems World Scientific/ijcis6 IJGIS International Journal of Geographical Information Science Taylor & Francis/journals/tf/13658816.html7 IJIS International Journal of Intelligent Systems Wiley/jpages/0884-8173/8 IJKM International Journal of Knowledge Management IGI/journals/details.asp?id=42889 IJSWIS International Journal on Semantic Web and Information Systems IGI/10 JCIS J ournal of Computer Information Systems IACIS/web/journal.htm11 JDM Journal of Database Management IGI-Global/journals/details.asp?id=19812 JGITM Journal of Global Information Technology Management Ivy League Publishing/bae/jgitm/13 JIIS Journal of Intelligent Information Systems Springer/content/1573-7675/14 JSIS Journal of Strategic Information Systems Elsevier/locate/jsis中国计算机学会推荐国际学术刊物(数据库、数据挖掘与内容检索)一、A类序号刊物简称刊物全称出版社网址1 TODS ACM Transactions on Database Systems ACM /tods/2 TOIS ACM Transactions on Information andSystems ACM /pubs/tois/3 TKDE IEEE Transactions on Knowledge and Data Engineering IEEE Computer Society /tkde/4 VLDBJ VLDB Journal S pringer-Verlag/dblp/db/journals/vldb/index.html二、B类序号刊物简称刊物全称出版社网址1 TKDD ACM Transactions on Knowledge Discovery from Data ACM/pubs/tkdd/2 AEI Advanced Engineering Informatics Elsevier/wps/find/journaldescription.cws_home/622240/3 DKE Data and Knowledge Engineering Elsevier/science/journal/0169023X4 DMKD Data Mining and Knowledge DiscoverySpringer/content/100254/5 EJIS European Journal of Information Systems The OR Society/ejis/6 GeoInformatica Springer /content/1573-7624/7 IPM Information Processing and Management Elsevier/locate/infoproman8 Information Sciences Elsevier /locate/issn/002002559 IS Information Systems Elsevier/information-systems/10 JASIST Journal of the American Society for Information Science and TechnologyAmerican Society for Information Science and Technology /Publications/JASIS/jasis.html11 JWS Journal of Web Semantics Elsevier /locate/inca/67132212 KIS Knowledge and Information Systems Springer /journal/1011513 TWEB ACM Transactions on the Web ACM /三、C类序号刊物简称刊物全称出版社网址1 DPD Distributed and Parallel Databases Springer/content/1573-7578/2 I&M Information and Management E lsevier /locate/im/3 IPL Information Processing Letters Elsevier /locate/ipl4 Information Retrieval Springer /issn/1386-45645 IJCIS International Journal of Cooperative Information Systems World Scientific/ijcis6 IJGIS International Journal of Geographical Information Science Taylor & Francis/journals/tf/13658816.html7 IJIS International Journal of Intelligent Systems Wiley/jpages/0884-8173/8 IJKM International Journal of Knowledge Management IGI/journals/details.asp?id=42889 IJSWIS International Journal on Semantic Web and Information Systems IGI/10 JCIS J ournal of Computer Information Systems IACIS/web/journal.htm11 JDM Journal of Database Management IGI-Global/journals/details.asp?id=19812 JGITM Journal of Global Information Technology Management Ivy League Publishing/bae/jgitm/13 JIIS Journal of Intelligent Information Systems Springer/content/1573-7675/14 JSIS Journal of Strategic Information Systems Elsevier/locate/jsis一、以下是一些数据挖掘领域专家牛人的网站，有很多精华，能开阔研究者的思路，在此共享：1.Rakesh Agrawal主页：/en-us/people/rakesha/ 数据挖掘领域唯一独有的关联规则研究的创始人，其主要的Apriori算法开启了这一伟大的领域。
岗位分工会议记录
岗位分工会议记录会议时间：2021年6月22日会议地点：公司大会议室会议主持人：王经理会议记录员：李秘书1. 会议目的本次会议的目的是为了对公司内部人员的岗位分工进行全面的讨论和合理的分配，以便更好地推动公司业务的发展。
2. 会议议程1.确定公司内部各部门的职责和岗位分工；2.讨论各岗位职责和工作制度；3.确定各人员的工作任务和责任；4.确定工作时间和日常监管。
3. 会议讨论3.1 公司内部部门的职责和岗位分工首先，与会者对公司内部的各个部门进行了全面的讨论，并最终确定了以下各部门的职责和岗位分工：部门名称职责和岗位分工行政部门主要负责公司日常的运营管理和维护，如人事管理、行政管理、财务管理、办公室运作和物业维护等工作服务部门主要负责公司对客户的服务工作，如业务咨询、投诉处理、数据分析、市场调研等科技部门主要负责公司的技术研发和创新工作，如软件开发、数据挖掘、硬件设计等生产部门主要负责公司的生产制造工作，如产品设计、生产调度、质量控制等销售部门主要负责公司的营销和销售工作，如产品推广、渠道管理、销售策略等3.2 各岗位职责和工作制度在确定了各个部门的职责和岗位分工之后，与会者进一步讨论了各岗位职责和工作制度，并最终制定了一份针对公司所有岗位的工作职责和工作制度。
其中，每个岗位的职责和工作制度均由会议主持人进行阐述，并得到与会人员的广泛认同和支持。
3.3 各人员的工作任务和责任在确定了各个岗位的职责和工作制度之后，会议进一步讨论了各人员的工作任务和责任。
与会者指出，不同岗位的工作任务和责任会存在差异，但所有人员应遵循公司的管理要求和安排，全力以赴完成自己的工作任务。
3.4 工作时间和日常监管最后，与会者讨论了工作时间和日常监管的问题。
会议主持人提出，公司应采取灵活的工作时间管理制度，并建立有效的日常监管机制，以保证工作的高效和效果。
4. 会议总结本次会议全面、系统地讨论了公司内部的岗位分工和工作制度等问题，为公司的管理和发展提供了有力的支持和保障。
吉林大学22春“行政管理”《电子政务概论》期末考试高频考点版(带答案)试卷号：1
吉林大学22春“行政管理”《电子政务概论》期末考试高频考点版（带答案）一.综合考核(共50题)1.政府创新(名词解释)参考答案：政府管理创新是指由于行政环境、行政任务的变化而引起的行政职能、行政方式、行政作风、政府政策法规、行政体制等各方面的一系列新变化。
2.中国政府上网工程已经十分完善了，不存在什么问题了。
()A.错误B.正确参考答案：A3.电子政务的建设需要投入，而且投入巨大。
好钢要用在刀刃上，设备越先进越好。
()A.错误B.正确参考答案：A4.电子政务的主体是：()。
A.国家行政机关B.司法机关C.立法机关D.广义的政府机关参考答案：D5.A.公平理念B.系统理念C.创新理念D.安全理念参考答案：A6.WEB服务(名词解释)参考答案：Web \r\nService是一个平台独立的，低耦合的，自包含的、基于可编程的web的应用程序，可使用开放的XML(标准通用标记语言下的一个子集)标准来描述、发布、发现、协调和配置这些应用程序，用于开发分布式的交互操作的应用程序。
7.北派以核心技术为特色，理论核心是“中国模式电子政务必须掌握自己的核心技术”。
()A.错误B.正确参考答案：A8.目前，国际上关于电子政务的发展阶段有多种划分方法，采用的标准不同，类型也各异，欧委会的电子政务发展阶段分为四个阶段。
()A.错误B.正确参考答案：B9.实施依法治国方略，推动依法行政是中国电子政务的重要目标之一。
电子政务的实现过程实际上就是一个政府管理从人治走向法治的过程。
这句话表明实施电子政务应具有的基础是：()。
A.管理基础B.信息资源基础C.技术基础D.法律政策基础10.办公自动化标志着政府信息化的成熟。
()A.错误B.正确参考答案：A11.在知识经济时代，公共部门必须关注如何应用信息技术改造其战略和结构，即需要运用电子政务再造公共部门。
()A.错误B.正确参考答案：B12.数据挖掘(名词解释)参考答案：数据挖掘又称数据库中的知识发现(Knowledge Discover in \r\nDatabase，KDD)，是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。
2014国际会议
序号
名称
会议地点
1
2014 5th IEEE International Conference on Software Engineering and Service Science (ICSESS 2014)
北京市
2
The 11th International Conference on Informatics in Control, Automation and Robotics (ICINCO)
formal methods, database security, secure software, applied cryptography 第14届IEEE数据挖掘国际会议 · Systems analysis and design methods · Object-oriented enterprise modelling · Knowledge based systems to support database design · Automated mediation in group support systems · Distributed information systems, electronic commerce · Software copyright infringements Foundations, algorithms, models, and theory of data mining Machine learning and statistical methods for data mining Mining text, semi-structured, spatio-temporal, streaming, graph, web, multimedia data Data mining systems and platforms, their efficiency, scalability, and privacy Data mining in modeling, visualization, personalization, and recommendation
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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ｐａｐｅｒｍａｃｈｉｎｅ。
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 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 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。
/blog/more.asp?name=zhaoyong04&id=24556IJCAI (1+): AI最好的综合性会议, 1969年开始, 每两年开一次, 奇数年开. 因为AI 实在太大, 所以虽然每届基本上能录100多篇（现在已经到200多篇了），但分到每个领域就没几篇了，象machine learning、computer vision这么大的领域每次大概也就10篇左右, 所以难度很大. 不过从录用率上来看倒不太低,基本上20%左右, 因为内行人都会掂掂分量, 没希望的就别浪费reviewer的时间了. 最近中国大陆投往国际会议的文章象潮水一样, 而且因为国内很少有能自己把关的研究组, 所以很多会议都在complain说中国的低质量文章严重妨碍了PC的工作效率. 在这种情况下, 估计这几年国际会议的录用率都会降下去. 另外, 以前的IJCAI是没有poster的, 03年开始, 为了减少被误杀的好人, 增加了2页纸的poster.值得一提的是, IJCAI是由貌似一个公司"IJCAI Inc."主办的(当然实际上并不是公司, 实际上是个基金会), 每次会议上要发几个奖, 其中最重要的两个是IJCAI Research Excellence Award 和 Computer& Thoughts Award, 前者是终身成就奖, 每次一个人, 基本上是AI的最高奖(有趣的是, 以AI为主业拿图灵奖的6位中, 有2位还没得到这个奖), 后者是奖给35岁以下的青年科学家, 每次一个人. 这两个奖的获奖演说是每次IJCAI的一个重头戏.另外，IJCAI 的 PC member 相当于其他会议的area chair, 权力很大, 因为是由PC member 去找 reviewer 来审, 而不象一般会议的PC member其实就是reviewer. 为了制约这种权力, IJCAI的审稿程序是每篇文章分配2位PC member, primary PC member去找3位reviewer, second PC member 找一位.AAAI (1): 美国人工智能学会AAAI的年会. 是一个很好的会议, 但其档次不稳定, 可以给到1+, 也可以给到1-或者2+, 总的来说我给它"1". 这是因为它的开法完全受IJCAI制约: 每年开, 但如果这一年的IJCAI在北美举行, 那么就停开. 所以, 偶数年里因为没有IJCAI, 它就是最好的AI综合性会议, 但因为号召力毕竟比IJCAI要小一些,特别是欧洲人捧AAAI场的比IJCAI少得多(其实亚洲人也是), 所以比IJCAI还是要稍弱一点, 基本上在1和1+之间; 在奇数年, 如果IJCAI不在北美, AAAI自然就变成了比IJCAI低一级的会议(1-或2+), 例如2005年既有IJCAI又有AAAI, 两个会议就进行了协调, 使得IJCAI的录用通知时间比AAAI的deadline早那么几天, 这样IJCAI落选的文章可以投往AAAI.在审稿时IJCAI 的 PC chair也在一直催, 说大家一定要快, 因为AAAI那边一直在担心IJCAI的录用通知出晚了AAAI就麻烦了.COLT (1): 这是计算学习理论最好的会议, ACM主办, 每年举行. 计算学习理论基本上可以看成理论计算机科学和机器学习的交叉, 所以这个会被一些人看成是理论计算机科学的会而不是AI的会. 我一个朋友用一句话对它进行了精彩的刻画: "一小群数学家在开会". 因为COLT的领域比较小, 所以每年会议基本上都是那些人. 这里顺便提一件有趣的事, 因为最近国内搞的会议太多太滥, 而且很多会议都是LNCS/LNAI出论文集, LNCS/LNAI基本上已经被搞臭了, 但很不幸的是, LNCS/LNAI中有一些很好的会议, 例如COLT.CVPR (1): 计算机视觉和模式识别方面最好的会议之一, IEEE主办, 每年举行. 虽然题目上有计算机视觉, 但个人认为它的模式识别味道更重一些. 事实上它应该是模式识别最好的会议, 而在计算机视觉方面, 还有ICCV与之相当. IEEE一直有个倾向, 要把会办成"盛会", 历史上已经有些会被它从quality很好的会办成"盛会"了. CVPR搞不好也要走这条路. 这几年录的文章已经不少了. 最近负责CVPR会议的TC的chair发信说, 对这个community 来说, 让好人被误杀比被坏人漏网更糟糕, 所以我们是不是要减少好人被误杀的机会啊?所以我估计明年或者后年的CVPR就要扩招了.ICCV (1): 介绍CVPR的时候说过了, 计算机视觉方面最好的会之一. IEEE主办. ICCV逢奇数年开，开会地点以往是北美，欧洲和亚洲轮流，本来2003年定在北京，后来因Sars和原定05年的法国换了一下。
ICCV'07年将首次在南美(巴西)举行.CVPR原则上每年在北美开, 如果那年正好ICCV在北美,则该年没有CVPR.ICML (1): 机器学习方面最好的会议之一. 现在是IMLS主办, 每年举行. 参见关于NIPS的介绍.NIPS (1): 神经计算方面最好的会议之一, NIPS主办, 每年举行. 值得注意的是, 这个会每年的举办地都是一样的, 以前是美国丹佛, 现在是加拿大温哥华; 而且它是年底开会,会开完后第2年才出论文集, 也就是说, NIPS'05的论文集是06年出. 会议的名字是"Advances in Neural Inxxxxation Processing Systems", 所以, 与ICMLECML这样的"标准的"机器学习会议不同, NIPS里有相当一部分神经科学的内容, 和机器学习有一定的距离. 但由于会议的主体内容是机器学习, 或者说与机器学习关系紧密, 所以不少人把NIPS看成是机器学习方面最好的会议之一. 这个会议基本上控制在MichaelJordan的徒子徒孙手中, 所以对Jordan系的人来说, 发NIPS并不是难事, 一些未必很强的工作也能发上去, 但对这个圈子之外的人来说, 想发一篇实在很难, 因为留给"外人"的口子很小. 所以对Jordan系以外的人来说, 发NIPS的难度比ICML更大. 换句话说,ICML比较开放, 小圈子的影响不象NIPS那么大, 所以北美和欧洲人都认, 而NIPS则有些人(特别是一些欧洲人, 包括一些大家)坚决不投稿. 这对会议本身当然并不是好事,但因为Jordan系很强大, 所以它似乎也不太care. 最近IMLS(国际机器学习学会)改选理事, 有资格提名的人包括近三年在ICMLECMLCOLT发过文章的人, NIPS则被排除在外了. 无论如何, 这是一个非常好的会.ACL (1-): 计算语言学/自然语言处理方面最好的会议, ACL (Association of Computational Linguistics) 主办, 每年开.KR (1-): 知识表示和推理方面最好的会议之一, 实际上也是传统AI(即基于逻辑的AI)最好的会议之一. KR Inc.主办, 现在是偶数年开.SIGIR (1-): 信息检索方面最好的会议, ACM主办, 每年开. 这个会现在小圈子气越来越重. 信息检索应该不算AI, 不过因为这里面用到机器学习越来越多, 最近几年甚至有点机器学习应用会议的味道了, 所以把它也列进来.SIGKDD (1-): 数据挖掘方面最好的会议, ACM主办, 每年开. 这个会议历史比较短,毕竟, 与其他领域相比,数据挖掘还只是个小弟弟甚至小侄儿. 在几年前还很难把它列在tier-1里面, 一方面是名声远不及其他的top conference响亮, 另一方面是相对容易被录用. 但现在它被列在tier-1应该是毫无疑问的事情了. 这几年来KDD的质量都很高. SIGKDD从2000年来full paper的录取率都在10%-12%之间，远远低于IJCAI和ICML.经常听人说，KDD要比IJICAI和ICML都要困难。