當前位置: 首頁 SCI期刊 SCIE期刊 計算機科學 中科院3區 JCRQ2 期刊介紹(非官網)
Data Mining And Knowledge Discovery

Data Mining And Knowledge DiscoverySCIE

國際簡稱:DATA MIN KNOWL DISC  參考譯名:數據挖掘和知識發現

  • 中科院分區

    3區

  • CiteScore分區

    Q1

  • JCR分區

    Q2

基本信息:
ISSN:1384-5810
E-ISSN:1573-756X
是否OA:未開放
是否預警:否
TOP期刊:否
出版信息:
出版地區:NETHERLANDS
出版商:Springer US
出版語言:English
出版周期:Bimonthly
出版年份:1997
研究方向:工程技術-計算機:人工智能
評價信息:
影響因子:2.8
H-index:87
CiteScore指數:10.4
SJR指數:1.813
SNIP指數:2.784
發文數據:
Gold OA文章占比:44.96%
研究類文章占比:98.86%
年發文量:88
自引率:0.0416...
開源占比:0.4125
出版撤稿占比:0
出版國人文章占比:0.08
OA被引用占比:0.1533...
英文簡介 期刊介紹 CiteScore數據 中科院SCI分區 JCR分區 發文數據 常見問題

英文簡介Data Mining And Knowledge Discovery期刊介紹

Advances in data gathering, storage, and distribution have created a need for computational tools and techniques to aid in data analysis. Data Mining and Knowledge Discovery in Databases (KDD) is a rapidly growing area of research and application that builds on techniques and theories from many fields, including statistics, databases, pattern recognition and learning, data visualization, uncertainty modelling, data warehousing and OLAP, optimization, and high performance computing.

期刊簡介Data Mining And Knowledge Discovery期刊介紹

《Data Mining And Knowledge Discovery》自1997出版以來,是一本計算機科學優秀雜志。致力于發表原創科學研究結果,并為計算機科學各個領域的原創研究提供一個展示平臺,以促進計算機科學領域的的進步。該刊鼓勵先進的、清晰的闡述,從廣泛的視角提供當前感興趣的研究主題的新見解,或審查多年來某個重要領域的所有重要發展。該期刊特色在于及時報道計算機科學領域的最新進展和新發現新突破等。該刊近一年未被列入預警期刊名單,目前已被權威數據庫SCIE收錄,得到了廣泛的認可。

該期刊投稿重要關注點:

Cite Score數據(2024年最新版)Data Mining And Knowledge Discovery Cite Score數據

  • CiteScore:10.4
  • SJR:1.813
  • SNIP:2.784
學科類別 分區 排名 百分位
大類:Computer Science 小類:Computer Networks and Communications Q1 40 / 395

90%

大類:Computer Science 小類:Computer Science Applications Q1 93 / 817

88%

大類:Computer Science 小類:Information Systems Q1 52 / 394

86%

CiteScore 是由Elsevier(愛思唯爾)推出的另一種評價期刊影響力的文獻計量指標。反映出一家期刊近期發表論文的年篇均引用次數。CiteScore以Scopus數據庫中收集的引文為基礎,針對的是前四年發表的論文的引文。CiteScore的意義在于,它可以為學術界提供一種新的、更全面、更客觀地評價期刊影響力的方法,而不僅僅是通過影響因子(IF)這一單一指標來評價。

歷年Cite Score趨勢圖

中科院SCI分區Data Mining And Knowledge Discovery 中科院分區

中科院 2023年12月升級版 綜述期刊:否 Top期刊:否
大類學科 分區 小類學科 分區
計算機科學 3區 COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE 計算機:人工智能 COMPUTER SCIENCE, INFORMATION SYSTEMS 計算機:信息系統 3區 3區

中科院分區表 是以客觀數據為基礎,運用科學計量學方法對國際、國內學術期刊依據影響力進行等級劃分的期刊評價標準。它為我國科研、教育機構的管理人員、科研工作者提供了一份評價國際學術期刊影響力的參考數據,得到了全國各地高校、科研機構的廣泛認可。

中科院分區表 將所有期刊按照一定指標劃分為1區、2區、3區、4區四個層次,類似于“優、良、及格”等。最開始,這個分區只是為了方便圖書管理及圖書情報領域的研究和期刊評估。之后中科院分區逐步發展成為了一種評價學術期刊質量的重要工具。

歷年中科院分區趨勢圖

JCR分區Data Mining And Knowledge Discovery JCR分區

2023-2024 年最新版
按JIF指標學科分區 收錄子集 分區 排名 百分位
學科:COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE SCIE Q2 98 / 197

50.5%

學科:COMPUTER SCIENCE, INFORMATION SYSTEMS SCIE Q2 105 / 249

58%

按JCI指標學科分區 收錄子集 分區 排名 百分位
學科:COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE SCIE Q2 66 / 198

66.92%

學科:COMPUTER SCIENCE, INFORMATION SYSTEMS SCIE Q2 97 / 251

61.55%

JCR分區的優勢在于它可以幫助讀者對學術文獻質量進行評估。不同學科的文章引用量可能存在較大的差異,此時單獨依靠影響因子(IF)評價期刊的質量可能是存在一定問題的。因此,JCR將期刊按照學科門類和影響因子分為不同的分區,這樣讀者可以根據自己的研究領域和需求選擇合適的期刊。

歷年影響因子趨勢圖

發文數據

2023-2024 年國家/地區發文量統計
  • 國家/地區數量
  • USA58
  • France25
  • Australia24
  • CHINA MAINLAND24
  • Belgium18
  • England16
  • GERMANY (FED REP GER)15
  • Italy13
  • Brazil12
  • Finland8

本刊中國學者近年發表論文

  • 1、Category tree distance: a taxonomy-based transaction distance for web user analysis

    Author: Zhang, Yinjia; Zhao, Qinpei; Shi, Yang; Li, Jiangfeng; Rao, Weixiong

    Journal: DATA MINING AND KNOWLEDGE DISCOVERY. 2023; Vol. 37, Issue 1, pp. 39-66. DOI: 10.1007/s10618-022-00874-9

  • 2、ContE: contextualized knowledge graph embedding for circular relations

    Author: Ma, Ting; Li, Mingming; Lv, Shangwen; Zhu, Fuqing; Huang, Longtao; Hu, Songlin

    Journal: DATA MINING AND KNOWLEDGE DISCOVERY. 2023; Vol. 37, Issue 1, pp. 110-135. DOI: 10.1007/s10618-022-00851-2

  • 3、Differentiated matching for individual and average treatment effect estimation

    Author: Zhao Ziyu; Kuang, Kun; Li, Bo; Cui, Peng; Wu, Runze; Xiao, Jun; Wu, Fei

    Journal: DATA MINING AND KNOWLEDGE DISCOVERY. 2023; Vol. 37, Issue 1, pp. 205-227. DOI: 10.1007/s10618-022-00886-5

  • 4、Improving embedded knowledge graph multi-hop question answering by introducing relational chain reasoning

    Author: Jin, Weiqiang; Zhao, Biao; Yu, Hang; Tao, Xi; Yin, Ruiping; Liu, Guizhong

    Journal: DATA MINING AND KNOWLEDGE DISCOVERY. 2023; Vol. 37, Issue 1, pp. 255-288. DOI: 10.1007/s10618-022-00891-8

  • 5、Using differential evolution for an attribute-weighted inverted specific-class distance measure for nominal attributes

    Author: Gong, Fang; Guo, Xingfeng; Wang, Dianhong

    Journal: DATA MINING AND KNOWLEDGE DISCOVERY. 2023; Vol. 37, Issue 1, pp. 409-433. DOI: 10.1007/s10618-022-00881-w

  • 6、HARPA: hierarchical attention with relation paths for knowledge graph embedding adversarial learning

    Author: Zhang, Naixin; Wang, Jinmeng; He, Jieyue

    Journal: DATA MINING AND KNOWLEDGE DISCOVERY. 2023; Vol. 37, Issue 2, pp. 521-551. DOI: 10.1007/s10618-022-00888-3

  • 7、Residual projection for quantile regression in vertically partitioned big data

    Author: Fan, Ye; Li, Jr-Shin; Lin, Nan

    Journal: DATA MINING AND KNOWLEDGE DISCOVERY. 2023; Vol. 37, Issue 2, pp. 710-735. DOI: 10.1007/s10618-022-00914-4

  • 8、BDRI: block decomposition based on relational interaction for knowledge graph completion

    Author: Yu, Mei; Guo, Jiujiang; Yu, Jian; Xu, Tianyi; Zhao, Mankun; Liu, Hongwei; Li, Xuewei; Yu, Ruiguo

    Journal: DATA MINING AND KNOWLEDGE DISCOVERY. 2023; Vol. 37, Issue 2, pp. 767-787. DOI: 10.1007/s10618-023-00918-8

投稿常見問題

通訊方式:SPRINGER, VAN GODEWIJCKSTRAAT 30, DORDRECHT, NETHERLANDS, 3311 GZ。

主站蜘蛛池模板: 亚洲欧美国产va在线播放| 国产又粗又大又爽又黄| 一本色道无码道在线观看| 日韩精品一区二区三区视频| 亚洲精品97久久中文字幕无码| 精品无码人妻夜人多侵犯18| 国产又黄又大又粗的视频| 2021国产麻豆剧传媒官网| 天天干天天爽天天射| 中国china体内裑精亚洲日本| 日本高清成本人视频一区| 亚洲人成人一区二区三区| 波多野吉衣视频| 免费的看黄网站| 一区二区在线播放视频| 日本天堂在线视频| 亚洲av片不卡无码久久| 欧美最猛黑人xxxx黑人猛交98| 伊人色综合久久天天人守人婷 | 亚洲欧美成人日韩| 用我的手指搅乱我吧第五集| 和桃子视频入口网址在线观看| 青娱乐手机在线| 天天干视频网站| 一本久到久久亚洲综合| 无码精品A∨在线观看无广告| 久久精品一品道久久精品9| 男人和女人差差差很疼30分| 四虎国产精品永久在线网址| 里番肉本子同人全彩h| 国产成人精品日本亚洲| 2019av在线视频| 在线免费观看h片| 久久久久久久久久久久久久久久久久| 校园春色亚洲欧美| 亚洲大尺度无码无码专区| 波多野结衣加勒比| 免费人成视频在线观看网站| 黄页网站在线视频免费| 在线观看特色大片免费网站| 亚洲中文字幕久久精品无码喷水 |