icdm论文投稿

看完楼上的我长见识了。拍个印子，百度别删我印子

稿件语法不地道，语法问题较多：毕竟我们的母语不是英语，所以出现这种情况也正常，这时候我们需要查看杂志指南或邮件询问编辑有无指定的润色公司，然后进行润色后在二次投稿的时候提供相应的润色证明；身边有好多学长学姐们都是找北京译顶科技做的，听说也做的很不错

因为要做独立研究，首先要避开所有重器材的方向，比如做深度学习你作为个人是刷不过集团军的--你没有那么多计算资源。大部分教科书都是分章节介绍内容，而章节在一定程度上前后独立。跨领域交叉往往比在特定领域创新要容易，这个思路特别适合独立研究者。还有一点就是新手独立发文，在单盲的情况下更容易被拒稿，增加1-2个共同作者有助于减轻这种偏见，原因非常明显就不赘述了。论文被拒稿是很常见的事情，作为独立新手就更无法避免了。独立研究最大的成就感来自于「独立」，在这个过程中，你会不断的怀疑自己甚至否定自己，这也是为什么我建议大家能有人一起同行。 做好论文导师也不容易究竟是怎么一回事，跟随我一起看看吧。

看这篇就够了！

我特别能理解提问者的感受，因为很多同学都可能有以下几个需求

1、毕业有论文要求，但老板帮助不大

2、虽然毕业无论文要求，但希望通过发表论文来提升自己的职场竞争力

3、希望通过做研究和发表来争取国外的博士机会

在明确了主题后，我们就可以把问题继续分解为三个子问题：

1.如何选题2.如何研究3.如何投稿

1、如何选题

第一点选择适合的研究方向是成功的一半，不要单纯因为兴趣而选定研究方向。因为要做独立研究，首先要避开所有重器材的方向，比如做深度学习你作为个人是刷不过集团军的--你没有那么多计算资源。

第二点就是选择适合自己的方向。大部分基础学科如数学、物理等都需要多年的知识积累以及导师指导，因为导师的轻轻一点就可以省掉了数天甚至数个月的瞎想。

选题的第三点就是要读几篇该领域的经典文章，试试水深。换句话说，就是看看自己能不能大概读懂，知识的空缺有多大，离能够独立成文还有多远。

如果某一领域的文章都有大量的公式推导且你的数学功底有限，那么就不建议选择这类方向。读综述文章一般也是个很好的思路，这样可以快速看到领域的边界，也有助于缩小选题范围。

当然，兴趣依然是一切的源头，也是能不断激励你的后盾。

总结来看，选题是一个平衡过程，是硬件资源+知识背景+个人兴趣的综合后的产物。其中任意一项如果是绝对短板的话，就很容易影响最后的产出。

综合要选择一个自己有兴趣，有一定的相关知识，资源要求不高，且写作水平和领域论文不会相差太远的方向。

2、如何研究

当我们有了一个适当的选题后，应该先读该领域的经典教科书或者综述文章。

我个人的经验是：一边读一边记下自己天马行空的点子，先不用想是否成熟，记下来再说。一边读一边看能不能和其他领域结合，比如用集成学习或是graph mining做推荐系统。

一边读一边缩小自己的选题范围，通过阅读了解自己更擅长在哪个（章节）主题上发力。

大部分教科书都是分章节介绍内容，而章节在一定程度上前后独立。因此你可以着重挑自己读着有趣的内容深入了解。

假设我们现在确定了一个小主题：如何利用「集成学习」来提升「推荐系统」的「鲁棒性」。

那么找到新的方向其实并不难，你需要：找到该领域常用的数据集(benchmark datasets)，找到其他基线算法的实现(baseline algorithm implementation),一般在GitHub上搜索算法名就可以。可以找最近的相关论文的related works:来追踪领域进展。

找一本集成学习的教科书。第一步就是重现基准算法在常用数据集上的表现，这个将会是进行研究的重要参照物。如果某些基准算法没有现成的实现，你可以尝试着动手写一个--实现算法的过程往往就是找灵感改进的过程。

等以上步骤做完后，你就可以考虑如何用集成学习来改进推荐系统。这个时候就可以参考集成学习教科书，分析不同算法的优劣，找到哪些方法有助于提高鲁棒性，再应用到推荐系统上去。跨领域交叉往往比在特定领域创新要容易，这个思路特别适合独立研究者。

3、如何投稿

首先一般投稿有期刊和会议，期刊一般内容更加完善，但会议一般更加前沿，不同领域在意的不同。

期刊一般是单盲（即审稿人知道你的身份，而你不知道谁是审稿人）。会议可能是单盲、双盲甚至三盲（比如ICDM)。考虑到独立研究没有老板的背书，那么尽量避开单盲的投稿，因为你可能会从中吃亏。

第二点就是考虑审稿周期，大部分会议的审稿都在1-3个月内，而大部分期刊的第一轮意见都需要3个月以上才会出现。所以时间敏感的话，建议优先投会议，而非期刊。

另一个常见的操作是会议论文在发表后经过扩展(>30%)的新内容再重投期刊，可以同时兼顾时效性和完整性。

选择投稿渠道也是对于新手非常不友好的环节，建议多问问周围的资深人士。

这一切的前提都是你的英文足够好，这点是一切的前提。最佳情况还是要和别人合作，即使他们和你一样是新手也没关系，毕竟是人多力量大，心理上有个依靠。还有一点就是新手独立发文，在单盲的情况下更容易被拒稿，增加1-2个共同作者有助于减轻这种偏见，原因非常明显就不赘述了。

论文被拒稿是很常见的事情，作为独立新手就更无法避免了。

4、总结

理论上只要你方向选的合适，自身条件尚可，在坚持不懈的实验、写作、投稿、被拒、修改、重投后，总能慢慢走上正轨。如果幸运的话说不定还能在你的研究小领域打开一点局面，有一点知名度。

独立研究最大的成就感来自于「独立」，在这个过程中，你会不断的怀疑自己甚至否定自己，这也是为什么我建议大家能有人一起同行。

但当你有所推进时，比如发出了第一篇不错的文章，你会非常激动。

因为你完成了自己的博士入门训练，避开了民科式科研，在艰苦的环境中打开了一片局面，甚至还微微推动了科学发展。这比发表论文本身更有意义，你应该为自己感到自豪。

我是皇家学术大佬，会持续分享考研干货与科研知识与论文写作技巧等，欢迎大家多多专注！！！

顶级：SIGKDD二流：ICDM，SDM ，EDBT等上面是专门的数据挖掘会议，其他像SIGMOD,VLDB,ICDE等数据库类会议都会有专门的数据挖掘session ，下面是有人专门总结的，引用一下： 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iversified。 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。