今天先谈谈AI里面tier-1的conferences, 其实基本上就是AI里面大家比较公认的top
-Ib>S$
conference. 下面同分的按字母序排列. 1z>{sU t
9gs^%ucT4
IJCAI (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 pT./6Gs|
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 n p$_;e
领域就没几篇了，象machine learning、computer vision这么大的领域每次大概也 /x:
就10篇左右, 所以难度很大. 不过从录用率上来看倒不太低,基本上20%左右, 因为内 fi/}ju
行人都会掂掂分量, 没希望的就别浪费reviewer的时间了. 最近中国大陆投往国际会 pntq"m*
议的文章象潮水一样, 而且因为国内很少有能自己把关的研究组, 所以很多会议都在 A1F d/E
complain说中国的低质量文章严重妨碍了PC的工作效率. 在这种情况下, 估计这几年 0?_uopK/A
国际会议的录用率都会降下去. 另外, 以前的IJCAI是没有poster的, 03年开始, 为了 S2A0#^%x%
减少被误杀的好人, 增加了2页纸的poster.值得一提的是, IJCAI是由貌似一个公司 qo=oL}
的"IJCAI Inc."主办的(当然实际上并不是公司, 实际上是个基金会), 每次会议上要 m01v%aP^
发几个奖, 其中最重要的两个是IJCAI Research Excellence Award 和 Computer _cBp !u
& Thoughts Award, 前者是终身成就奖, 每次一个人, 基本上是AI的最高奖(有趣的 Ku5<iE7`Tr
是, 以AI为主业拿图灵奖的6位中, 有2位还没得到这个奖), 后者是奖给35岁以下的 Q AR8Z/#
青年科学家, 每次一个人. 这两个奖的获奖演说是每次IJCAI的一个重头戏.另外, |//pej
IJCAI 的 PC member 相当于其他会议的area chair, 权力很大, 因为是由PC member R. u,`MD7S
去找 reviewer 来审, 而不象一般会议的PC member其实就是 reviewer. 为了制约 o/[#Z(W
这种权力, IJCAI的审稿程序是每篇文章分配2位PC member, primary PC member去找 `(|Uq;1y
3位reviewer, second PC member 找一位. fI Cp2l
7Xe/XfO
AAAI (1): 美国人工智能学会AAAI的年会. 是一个很好的会议, 但其档次不稳定, 可 (f6Gtly9
以给到1+, 也可以给到1-或者2+, 总的来说我给它"1". 这是因为它的开法完全受 TW24~ /
IJCAI制约: 每年开, 但如果这一年的IJCAI在北美举行, 那么就停开. 所以, 偶数年 33bR[kADDD
里因为没有IJCAI, 它就是最好的AI综合性会议, 但因为号召力毕竟比IJCAI要小一些, f"eoy926
特别是欧洲人捧AAAI场的比IJCAI少得多(其实亚洲人也是), 所以比IJCAI还是要稍弱 %q ;q^f*
一点, 基本上在1和1+之间; 在奇数年, 如果IJCAI不在北美, AAAI自然就变成了比 m${PW2
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 pK|( s
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 A:h6'I
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 ">2? S/-
那边一直在担心IJCAI的录用通知出晚了AAAI就麻烦了. 5P(`"3fO
`7*jx/[
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 rV=$R K
可以看成理论计算机科学和机器学习的交叉, 所以这个会被一些人看成是理论计算 _/-gp$
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 / QjMwH
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 OPyN.S0k
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 LiOLe4DR
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 6,d5}
会议, 例如COLT. |38J}eN
vv^nEA4eB
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 8%n]A7>{$
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 ]/wN 1'!J
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 6VaC m4
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 HP3,kJ8)Z
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 -N i!)osV+
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 c%s^d 8 -
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. Y0O{'j>A%
t!2HO_V}
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, 每年举行 +)DLF)0t8C
. TQ!@0O
S?E#/hk`
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 &2nTO;]
^]o0kd{
介绍. /k@I]FYIr
G?'_[gCG
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 ?"){qEpt/4
]7ew# d
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, T[_(OU/o9
^1$2ior;3
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 !0'.4*^?
"Advances in Neural Information Processing Systems", 所以, 与ICML/ECML这样 0.^Z *Q
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 <pob&B;u/
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 Ui,;Y7)
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Michael -$0 (MHqD
Jordan的徒子徒孙手中, 所以对Jordan系的人来说, 发NIPS并不是难事, 一些未必很 !Uc%"$ F
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 ~$1uL
人"的口子很小. 所以对Jordan系以外的人来说, 发NIPS的难度比ICML更大. 换句话说, QS2>t_2V
ICML比较开放, 小圈子的影响不象NIPS那么大, 所以北美和欧洲人都认, 而NIPS则有 JL/UA
些人(特别是一些欧洲人, 包括一些大家)坚决不投稿. 这对会议本身当然并不是好事, a'J{T
但因为Jordan系很强大, 所以它似乎也不太care. 最近IMLS(国际机器学习学会)改选 NM[9j*<
理事, 有资格提名的人包括近三年在ICML/ECML/COLT发过文章的人, NIPS则被排除在 11>Dge
外了. 无论如何, 这是一个非常好的会. [yjn En/
*Tpg1 f'
ACL (1-): 计算语言学/自然语言处理方面最好的会议, ACL (Association of -pbs#.bR
Computational Linguistics) 主办, 每年开. x]?9q=^<
.K#:N hY
KR (1-): 知识表示和推理方面最好的会议之一, 实际上也是传统AI(即基于逻辑的AI) 2W&c
最好的会议之一. KR Inc.主办, 现在是偶数年开. Ydb" o g.
0'_F2p@Y%
SIGIR (1-): 信息检索方面最好的会议, ACM主办, 每年开. 这个会现在小圈子气越来 >nU12|MV
越重. 信息检索应该不算AI, 不过因为这里面用到机器学习越来越多, 最近几年甚至 #2 );_
有点机器学习应用会议的味道了, 所以把它也列进来. MW}.GhHo
*r503&<
SIGKDD (1-): 数据挖掘方面最好的会议, ACM主办, 每年开. 这个会议历史比较短, ,pXthj@
毕竟, 与其他领域相比,数据挖掘还只是个小弟弟甚至小侄儿. 在几年前还很难把它列 ^ohga;2yiN
在tier-1里面, 一方面是名声远不及其他的top conference响亮, 另一方面是相对容易 nC(YPG+v
被录用. 但现在它被列在tier-1应该是毫无疑问的事情了. &B^ Bks*k
另: 参见sir和lucky的介绍. ;ClsT/hT
mh'{3_$Ik
UAI (1-): 名字叫"人工智能中的不确定性", 涉及表示/推理/学习等很多方面, AUAI Ie.&<IU&A
(Association of UAI) 主办, 每年开. ] BRf
~o+v<Dx /W
The Second Class: 2[G ,S9[G
tier-2的会议列得不全, 我熟悉的领域比较全一些. JvGx./
sD 3Rd
AAMAS (2+): agent方面最好的会议. 但是现在agent已经是一个一般性的概念, wu2P70f
几乎所有AI有关的会议上都有这方面的内容, 所以AAMAS下降的趋势非常明显. xBV.)Oi+9
p1v([mQY
ECCV (2+): 计算机视觉方面仅次于ICCV的会议, 因为这个领域发展很快, 有可能 :r^tV[Gq
升级到1-去. ^jBZ1g_(
]YK<tJU
ECML (2+): 机器学习方面仅次于ICML的会议, 欧洲人极力捧场, 一些人认为它已 :%^D,MGi
经是1-了. 我保守一点, 仍然把它放在2+. 因为机器学习发展很快, 这个会议 ? nt<X%H
的reputation上升非常明显. 1XEI-Ro/(
g4O: j{~1
ICDM (2+): 数据挖掘方面仅次于SIGKDD的会议, 目前和SDM相当. 这个会只有5年 6HR+Rg
历史, 上升速度之快非常惊人. 几年前ICDM还比不上PAKDD, 现在已经拉开很大 /p3(vf~'
距离了. CI}-&i5
qReCV&kd
SDM (2+): 数据挖掘方面仅次于SIGKDD的会议, 目前和ICDM相当. SIAM的底子很厚, Z>U 2:W
但在CS里面的影响比ACM和IEEE还是要小, SDM眼看着要被ICDM超过了, 但至少 9 Sap*|
目前还是相当的. Ca5/ML1 4
X<)n0_x
ICAPS (2): 人工智能规划方面最好的会议, 是由以前的国际和欧洲规划会议合并 X!exe1"6-
来的. 因为这个领域逐渐变冷清, 影响比以前已经小了. t:*!tQP}(
.V$lGS^
ICCBR (2): Case-Based Reasoning方面最好的会议. 因为领域不太大, 而且一直 fy]VPu/
半冷不热, 所以总是停留在2上. +3ZTGon~
F}#Ej F
COLLING (2): 计算语言学/自然语言处理方面仅次于ACL的会, 但与ACL的差距比 X%zVf|hU
ICCV-ECCV和ICML-ECML大得多. S{iv}nd
2W1wnCb
ECAI (2): 欧洲的人工智能综合型会议, 历史很久, 但因为有IJCAI/AAAI压着, D%N5x#
很难往上升. eC 'g=qFK
%ZGF) |q
ALT (2-): 有点象COLT的tier-2版, 但因为搞计算学习理论的人没多少, 做得好 <<Z*'Ey
的数来数去就那么些group, 基本上到COLT去了, 所以ALT里面有不少并非计算 lT b,Q_[ l
学习理论的内容. (/w9#/
&]/*xjs{
EMNLP (2-): 计算语言学/自然语言处理方面一个不错的会. 有些人认为与COLLING P<&DA 4
相当, 但我觉得它还是要弱一点. fh@yp)=
Bjn^ZkHFz
ILP (2-): 归纳逻辑程序设计方面最好的会议. 但因为很多其他会议里都有ILP方面 .-[PY&
的内容, 所以它只能保住2-的位置了. <>`3q>dpe
t `M";wg-
PKDD (2-): 欧洲的数据挖掘会议, 目前在数据挖掘会议里面排第4. 欧洲人很想把 V %,g:bNb
它抬起来, 所以这些年一直和ECML一起捆绑着开, 希望能借ECML把它带起来. h^%U'=A9
但因为ICDM和SDM, 这已经不太可能了. 所以今年的PKDD和ECML虽然还是一起开, aMu`&.X
但已经独立审稿了(以前是可以同时投两个会, 作者可以声明优先被哪个会考虑, aP5-rF
如果ECML中不了还可以被PKDD接受). Y$/_6 g
"05 Go'^
The Third Class: WxQ}N7|h
列得很不全. 另外, 因为AI的相关会议非常多, 所以能列在tier-3也算不错了, 基本上能 ZpGt+,
mP)'-qs/
进到所有AI会议中的前30%吧 }QlE&{A
TeM)QV??Y
ACCV (3+): 亚洲的计算机视觉会议, 在亚太级别的会议里算很好的了. krn4c8&
CbIR5Q?
DS (3+): 日本人发起的一个接近数据挖掘的会议. /D3@8m
<TA.xIK9O*
ECIR (3+): 欧洲的信息检索会议, 前几年还只是英国的信息检索会议. ln/x4w<
;Zn@}rPV
ICTAI (3+): IEEE最主要的人工智能会议, 偏应用, 是被IEEE办烂的一个典型. 以前的 Bh6:ymc
quality还是不错的, 但是办得越久声誉反倒越差了, 糟糕的是似乎还在继续下滑, 现在 #s m I
G|9dHE
其实3+已经不太呆得住了. b (T[
z,evk3J[
PAKDD (3+): 亚太数据挖掘会议, 目前在数据挖掘会议里排第5. j?//P5 Da
*jDq^.^
ICANN (3+): 欧洲的神经网络会议, 从quality来说是神经网络会议中最好的, 但这个领域 d 4r
L&tnC'@xm
的人不重视会议,在该领域它的重要性不如IJCNN. & QuDO2
,#N*[R"NP
AJCAI (3): 澳大利亚的综合型人工智能会议, 在国家/地区级AI会议中算不错的了. (;gb3`v>
YGLw dV'
CAI (3): 加拿大的综合型人工智能会议, 在国家/地区级AI会议中算不错的了. s jOU.
Ife yz0E
CEC (3): 进化计算方面最重要的会议之一, 盛会型. IJCNN/CEC/FUZZ-IEEE这三个会议是 kl 1dx1I
^# {FtPl
计算智能或者说软计算方面最重要的会议, 它们经常一起开, 这时就叫WCCI (World /X:usTz=
Congress on Computational Intelligence). 但这个领域和CS其他分支不太一样, 倒是和 P~XF=%d/
Ru=u..Iy
其他学科相似, 只重视journal, 不重视会议, 所以录用率经常在85%左右, 所录文章既有 @gkAgp||
=/{GwVv
quality非常高的论文, 也有入门新手的习作. )xvaq,
(:v-xN0
FUZZ-IEEE (3): 模糊方面最重要的会议, 盛会型, 参见CEC的介绍. -0N)5b
[cj] y>
GECCO (3): 进化计算方面最重要的会议之一, 与CEC相当，盛会型. _TB2&$tZ
myr8Nz
ICASSP (3): 语音方面最重要的会议之一, 这个领域的人也不很care会议. b%/r'a ][
f 9A7 C
ICIP (3): 图像处理方面最著名的会议之一, 盛会型. VK87$3/,
$=0Iv|
ICPR (3): 模式识别方面最著名的会议之一, 盛会型. Hx?[<g
j:`ZZ T
IEA/AIE (3): 人工智能应用会议. 一般的会议提名优秀论文的通常只有几篇文章, 被提名 zWq&Q5Oc
; m6du[9
就已经是很高的荣誉了, 这个会很有趣, 每次都搞1、20篇的优秀论文提名, 专门搞几个 j~_VWp3
U[ lKCo7
session做被提名论文报告, 倒是很热闹. "y!c!)L'+d
1J-b"yxQY
IJCNN (3): 神经网络方面最重要的会议, 盛会型, 参见CEC的介绍. ~oa? ~,aY
E$tu`//TU
IJNLP (3): 计算语言学/自然语言处理方面比较著名的一个会议. Yw& a
|/xev/J)
PRICAI (3): 亚太综合型人工智能会议, 虽然历史不算短了, 但因为比它好或者相当的综 nU7e[+!KU
yLxDS ?e[
合型会议太多, 所以很难上升. 4,"6Kr zPO
sX(/Mc<&
4j/f
Combined List: .I%Och$/
说明: 纯属个人看法, 仅供参考. tier-1的列得较全, tier-2的不太全, tier-3的很不全 `je6;Th(
. /e*0vX>
同分的按字母序排列. 不很严谨地说, tier-1是可以令人羡慕的, tier-2是可以令 X8BE
人尊敬的,由于AI的相关会议非常多, 所以能列进tier-3的也是不错的 |C@Zi7N s
A!S@NL(
tier-1: [4~Z!O1D
IJCAI (1+): International Joint Conference on Artificial Intelligence ~=T_c sD<
AAAI (1): National Conference on Artificial Intelligence 5v;/-0R#t
COLT (1): Annual Conference on Computational Learning Theory ZCaHQ-
CVPR (1): IEEE International Conference on Computer Vision and Pattern Ds=N61J"@-
Recognition KqUh+z/P8
ICCV (1): IEEE International Conference on Computer Vision D2eQrapp
ICML (1): International Conference on Machine Learning <iq /HcM)
NIPS (1): Annual Conference on Neural Information Processing Systems d?;FwF
ACL (1-): Annual Meeting of the Association for Computational Linguistics /g`,c`<;
KR (1-): International Conference on Principles of Knowledge Representation La-kNA)
and Reasoning RM? n07
SIGIR (1-): Annual International ACM SIGIR Conference on Research and .hta@M-*
Development in Information Retrieval Pj'ewU e0r
SIGKDD (1-): ACM SIGKDD International Conference on Knowledge Discovery and )s 319q!
Data Mining kzr8A *7#
UAI (1-): International Conference on Uncertainty in Artificial Intelligence tcPS%j
kJQ#3f!5O
q.YS2
tier-2: ,/CO<xKG
AAMAS (2+): International Joint Conference on Autonomous Agents and pE^jx}TA2~
Multiagent Systems gfl>zpV{V
ECCV (2+): European Conference on Computer Vision 3~? L`r
ECML (2+): European Conference on Machine Learning u% ( `0g(q
ICDM (2+): IEEE International Conference on Data Mining v!Hre
SDM (2+): SIAM International Conference on Data Mining WLzJy_j7
ICAPS (2): International Conference on Automated Planning and Scheduling "w-sJn>}N
ICCBR (2): International Conference on Case-Based Reasoning D$>ENb J12
COLLING (2): International Conference on Computational Linguistics q3u>m,<+:C
ECAI (2): European Conference on Artificial Intelligence QSL)`2
ALT (2-): International Conference on Algorithmic Learning Theory CLNWbv~B)
EMNLP (2-): Conference on Empirical Methods in Natural Language Processing VwcIQ0 "j2
ILP (2-): International Conference on Inductive Logic Programming ueELQpzG3a
PKDD (2-): European Conference on Principles and Practice of Knowledge a7R_JA
Discovery in Databases Jbr_5TE
dEytE3R~
tier-3: met wL,|u
ACCV (3+): Asian Conference on Computer Vision 6#MGi8ToT
DS (3+): International Conference on Discovery Science z7pXUE&Gh
ECIR (3+): European Conference on IR Research i> ?!W;c
ICTAI (3+): IEEE International Conference on Tools with Artificial a:0vBIb
Intelligence bmyd,:9
PAKDD (3+): Pacific-Asia Conference on Knowledge Discovery and Data Mining [@oHEM&
ICANN (3+): International Conference on Artificial Neural Networks qg@/ 6m'
AJCAI (3): Australian Joint Conference on Artificial Intelligence F=>&|5
CAI (3): Canadian Conference on Artificial Intelligence !CRY'$
CEC (3): IEEE Congress on Evolutionary Computation p/W5K45t
FUZZ-IEEE (3): IEEE International Conference on Fuzzy Systems { v4fcV`
GECCO (3): Genetic and Evolutionary Computation Conference 3mh* ZSn9
ICASSP (3): International Conference on Acoustics, Speech, and Signal 2p/Bmo_
Processing -hF:Wb~%
ICIP (3): International Conference on Image Processing a7_ >n)
ICPR (3): International Conference on Pattern Recognition CPeOcJ"
IEA/AIE (3): International Conference on Industrial and Engineering 6)2B&6 JO
Applications of Artificial Intelligence and Expert Systems ~,o!}S%
IJCNN (3): International Joint Conference on Neural Networks tPpq*R<f+
IJNLP (3): International Joint Conference on Natural Language Processing zN$cvQ56w
PRICAI (3): Pacific-Rim International Conference on Artificial Intelligence [w[o9,
f^aO H
~;S vf~*.
关于List的补充说明: kpR.
列list只是为了帮助新人熟悉领域, 给出的评分或等级都是个人意见, 仅供参考. 特别要 A"Zd]y
8( d~#
说明的是: /AXSfN)p"i
f;m?,'O
1. tier-1 conference上的文章并不一定比tier-3的好, 只能说前者的平均水准更高. NcXU+
es?3Pq,_y
2. 研究工作的好坏不是以它发表在哪儿来决定的, 发表在高档次的地方只是为了让工作更 |/`f u]|O
/# y!1Oi
容易被同行注意到. tier-3会议上发表1篇被引用10次的文章可能比在tier-1会议上发表1 q-WJE{s"jA
) ;A c s#w
0篇被引用0次的文章更有价值. 所以, 数top会议文章数并没有太大意义, 重要的是同行的 6H8YVOr0N
~_3~ap[
评价和认可程度. qPfM7tr
$8Vl:d
3. 很多经典工作并不是发表在高档次的发表源上, 有不少经典工作甚至是发表在很低档的 #5uO7
-4Ikw8S
发表源上. 原因很多, 就不细说了. 1"EYHy
?ORV]Yi
4. 会议毕竟是会议, 由于审稿时间紧, 错杀好人和漏过坏人的情况比比皆是, 更何况还要 OT}P2a6's
UF9>Y?.<Y7
考虑到有不少刚开始做研究的学生在代老板审稿. cra.e;
4B& @ o|
5. 会议的reputation并不是一成不变的，新会议可能一开始没什么声誉，但过几年后就野 `v^c^bj$H
SRys 'c0
鸡变凤凰，老会议可能原来声誉很好，但越来越往下滑. t^| ldZI
9(ijmD*f<.
6. 只有计算机科学才重视会议论文, 其他学科并不把会议当回事. 但在计算机科学中也有 H5@:gk/Gr
ef]G:5O
不太重视会议的分支. i[;]R-()C
2K#bSf
7. Politics无所不在. 你老板是谁, 你在哪个研究组, 你在哪个单位, 这些简单的因素都 YZ,[+i2-"b
+ sQ7L7+
可能造成决定性的影响. 换言之, 不同环境的人发表的难度是不一样的. 了解到这一点后 %>' W(7y[D
a*T<@Rk
, 你可能会对high-level发表源上来自low-level单位名不见经传作者的文章特别注意(例 s:oMN*_*
Bs4[PM
如如果<计算机学报>上发表了平顶山铁道电子信息科技学院的作者的文章,我一定会仔细读 N-,4P"J,d3
V!gl<-B
). {K !1P@
]c , CM
8. 评价体系有巨大的影响. 不管是在哪儿谋生的学者, 都需要在一定程度上去迎合评价体 Wz25E;"/
W]poC5$
系, 否则连生路都没有了, 还谈什么做研究. 以国内来说, 由于评价体系只重视journal, ACk2
7Y^% ~,$|
有一些工作做得很出色的学者甚至从来不投会议. 另外, 经费也有巨大的制约作用. 国外 ^"eCf[
m#-{p> o
很多好的研究组往往是重要会议都有文章. 但国内是不行的, 档次低一些的会议还可以投 X.=D 8
_c:(C7X,W
了只交注册费不开会, 档次高的会议不去做报告会有很大的负面影响, 所以只能投很少的 $`X)CB
F?[re)x
会议. 这是在国内做CS研究最不利的地方. 我的一个猜想：人民币升值对国内CS研究会有 zyK4Y5?h
#6?N+TwD
不小的促进作用(当然, 人民币升值对整个中国来说利大于弊还是弊大于利很难说).
conference. 下面同分的按字母序排列. 1z>{sU t
9gs^%ucT4
IJCAI (1+): AI最好的综合性会议, 1969年开始, 每两年开一次, 奇数年开. 因为AI pT./6Gs|
实在太大, 所以虽然每届基本上能录100多篇（现在已经到200多篇了），但分到每个 n p$_;e
领域就没几篇了，象machine learning、computer vision这么大的领域每次大概也 /x:
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 fi/}ju
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 pntq"m*
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 A1F d/E
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 0?_uopK/A
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 S2A0#^%x%
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 qo=oL}
的"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 m01v%aP^
发几个奖, 其中最重要的两个是IJCAI Research Excellence Award 和 Computer _cBp !u
& 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 Ku5<iE7`Tr
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 Q AR8Z/#
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, |//pej
IJCAI 的 PC member 相当于其他会议的area chair, 权力很大, 因为是由PC member R. u,`MD7S
去找 reviewer 来审, 而不象一般会议的PC member其实就是 reviewer. 为了制约 o/[#Z(W
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 `(|Uq;1y
3位reviewer, second PC member 找一位. fI Cp2l
7Xe/XfO
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 (f6Gtly9
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 TW24~ /
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 33bR[kADDD
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, f"eoy926
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 %q ;q^f*
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 m${PW2
IJCAI低一级的会议(1-或2+), 例如2005年既有IJCAI又有AAAI, 两个会议就进行了协 pK|( s
调, 使得IJCAI的录用通知时间比AAAI的deadline早那么几天, 这样IJCAI落选的文章 A:h6'I
可以投往AAAI.在审稿时IJCAI 的 PC chair也在一直催, 说大家一定要快, 因为AAAI ">2? S/-
那边一直在担心IJCAI的录用通知出晚了AAAI就麻烦了. 5P(`"3fO
`7*jx/[
COLT (1): 这是计算学习理论最好的会议, ACM主办, 每年举行. 计算学习理论基本上 rV=$R K
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 _/-gp$
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 / QjMwH
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 OPyN.S0k
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 LiOLe4DR
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 6,d5}
会议, 例如COLT. |38J}eN
vv^nEA4eB
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 8%n]A7>{$
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 ]/wN 1'!J
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 6VaC m4
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 HP3,kJ8)Z
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 -N i!)osV+
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 c%s^d 8 -
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. Y0O{'j>A%
t!2HO_V}
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, 每年举行 +)DLF)0t8C
. TQ!@0O
S?E#/hk`
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 &2nTO;]
^]o0kd{
介绍. /k@I]FYIr
G?'_[gCG
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 ?"){qEpt/4
]7ew# d
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, T[_(OU/o9
^1$2ior;3
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 !0'.4*^?
"Advances in Neural Information Processing Systems", 所以, 与ICML/ECML这样 0.^Z *Q
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 <pob&B;u/
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 Ui,;Y7)
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Michael -$0 (MHqD
Jordan的徒子徒孙手中, 所以对Jordan系的人来说, 发NIPS并不是难事, 一些未必很 !Uc%"$ F
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 ~$1uL
人"的口子很小. 所以对Jordan系以外的人来说, 发NIPS的难度比ICML更大. 换句话说, QS2>t_2V
ICML比较开放, 小圈子的影响不象NIPS那么大, 所以北美和欧洲人都认, 而NIPS则有 JL/UA
些人(特别是一些欧洲人, 包括一些大家)坚决不投稿. 这对会议本身当然并不是好事, a'J{T
但因为Jordan系很强大, 所以它似乎也不太care. 最近IMLS(国际机器学习学会)改选 NM[9j*<
理事, 有资格提名的人包括近三年在ICML/ECML/COLT发过文章的人, NIPS则被排除在 11>Dge
外了. 无论如何, 这是一个非常好的会. [yjn En/
*Tpg1 f'
ACL (1-): 计算语言学/自然语言处理方面最好的会议, ACL (Association of -pbs#.bR
Computational Linguistics) 主办, 每年开. x]?9q=^<
.K#:N hY
KR (1-): 知识表示和推理方面最好的会议之一, 实际上也是传统AI(即基于逻辑的AI) 2W&c
最好的会议之一. KR Inc.主办, 现在是偶数年开. Ydb" o g.
0'_F2p@Y%
SIGIR (1-): 信息检索方面最好的会议, ACM主办, 每年开. 这个会现在小圈子气越来 >nU12|MV
越重. 信息检索应该不算AI, 不过因为这里面用到机器学习越来越多, 最近几年甚至 #2 );_
有点机器学习应用会议的味道了, 所以把它也列进来. MW}.GhHo
*r503&<
SIGKDD (1-): 数据挖掘方面最好的会议, ACM主办, 每年开. 这个会议历史比较短, ,pXthj@
毕竟, 与其他领域相比,数据挖掘还只是个小弟弟甚至小侄儿. 在几年前还很难把它列 ^ohga;2yiN
在tier-1里面, 一方面是名声远不及其他的top conference响亮, 另一方面是相对容易 nC(YPG+v
被录用. 但现在它被列在tier-1应该是毫无疑问的事情了. &B^ Bks*k
另: 参见sir和lucky的介绍. ;ClsT/hT
mh'{3_$Ik
UAI (1-): 名字叫"人工智能中的不确定性", 涉及表示/推理/学习等很多方面, AUAI Ie.&<IU&A
(Association of UAI) 主办, 每年开. ] BRf
~o+v<Dx /W
The Second Class: 2[G ,S9[G
tier-2的会议列得不全, 我熟悉的领域比较全一些. JvGx./
sD 3Rd
AAMAS (2+): agent方面最好的会议. 但是现在agent已经是一个一般性的概念, wu2P70f
几乎所有AI有关的会议上都有这方面的内容, 所以AAMAS下降的趋势非常明显. xBV.)Oi+9
p1v([mQY
ECCV (2+): 计算机视觉方面仅次于ICCV的会议, 因为这个领域发展很快, 有可能 :r^tV[Gq
升级到1-去. ^jBZ1g_(
]YK<tJU
ECML (2+): 机器学习方面仅次于ICML的会议, 欧洲人极力捧场, 一些人认为它已 :%^D,MGi
经是1-了. 我保守一点, 仍然把它放在2+. 因为机器学习发展很快, 这个会议 ? nt<X%H
的reputation上升非常明显. 1XEI-Ro/(
g4O: j{~1
ICDM (2+): 数据挖掘方面仅次于SIGKDD的会议, 目前和SDM相当. 这个会只有5年 6HR+Rg
历史, 上升速度之快非常惊人. 几年前ICDM还比不上PAKDD, 现在已经拉开很大 /p3(vf~'
距离了. CI}-&i5
qReCV&kd
SDM (2+): 数据挖掘方面仅次于SIGKDD的会议, 目前和ICDM相当. SIAM的底子很厚, Z>U 2:W
但在CS里面的影响比ACM和IEEE还是要小, SDM眼看着要被ICDM超过了, 但至少 9 Sap*|
目前还是相当的. Ca5/ML1 4
X<)n0_x
ICAPS (2): 人工智能规划方面最好的会议, 是由以前的国际和欧洲规划会议合并 X!exe1"6-
来的. 因为这个领域逐渐变冷清, 影响比以前已经小了. t:*!tQP}(
.V$lGS^
ICCBR (2): Case-Based Reasoning方面最好的会议. 因为领域不太大, 而且一直 fy]VPu/
半冷不热, 所以总是停留在2上. +3ZTGon~
F}#Ej F
COLLING (2): 计算语言学/自然语言处理方面仅次于ACL的会, 但与ACL的差距比 X%zVf|hU
ICCV-ECCV和ICML-ECML大得多. S{iv}nd
2W1wnCb
ECAI (2): 欧洲的人工智能综合型会议, 历史很久, 但因为有IJCAI/AAAI压着, D%N5x#
很难往上升. eC 'g=qFK
%ZGF) |q
ALT (2-): 有点象COLT的tier-2版, 但因为搞计算学习理论的人没多少, 做得好 <<Z*'Ey
的数来数去就那么些group, 基本上到COLT去了, 所以ALT里面有不少并非计算 lT b,Q_[ l
学习理论的内容. (/w9#/
&]/*xjs{
EMNLP (2-): 计算语言学/自然语言处理方面一个不错的会. 有些人认为与COLLING P<&DA 4
相当, 但我觉得它还是要弱一点. fh@yp)=
Bjn^ZkHFz
ILP (2-): 归纳逻辑程序设计方面最好的会议. 但因为很多其他会议里都有ILP方面 .-[PY&
的内容, 所以它只能保住2-的位置了. <>`3q>dpe
t `M";wg-
PKDD (2-): 欧洲的数据挖掘会议, 目前在数据挖掘会议里面排第4. 欧洲人很想把 V %,g:bNb
它抬起来, 所以这些年一直和ECML一起捆绑着开, 希望能借ECML把它带起来. h^%U'=A9
但因为ICDM和SDM, 这已经不太可能了. 所以今年的PKDD和ECML虽然还是一起开, aMu`&.X
但已经独立审稿了(以前是可以同时投两个会, 作者可以声明优先被哪个会考虑, aP5-rF
如果ECML中不了还可以被PKDD接受). Y$/_6 g
"05 Go'^
The Third Class: WxQ}N7|h
列得很不全. 另外, 因为AI的相关会议非常多, 所以能列在tier-3也算不错了, 基本上能 ZpGt+,
mP)'-qs/
进到所有AI会议中的前30%吧 }QlE&{A
TeM)QV??Y
ACCV (3+): 亚洲的计算机视觉会议, 在亚太级别的会议里算很好的了. krn4c8&
CbIR5Q?
DS (3+): 日本人发起的一个接近数据挖掘的会议. /D3@8m
<TA.xIK9O*
ECIR (3+): 欧洲的信息检索会议, 前几年还只是英国的信息检索会议. ln/x4w<
;Zn@}rPV
ICTAI (3+): IEEE最主要的人工智能会议, 偏应用, 是被IEEE办烂的一个典型. 以前的 Bh6:ymc
quality还是不错的, 但是办得越久声誉反倒越差了, 糟糕的是似乎还在继续下滑, 现在 #s m I
G|9dHE
其实3+已经不太呆得住了. b (T[
z,evk3J[
PAKDD (3+): 亚太数据挖掘会议, 目前在数据挖掘会议里排第5. j?//P5 Da
*jDq^.^
ICANN (3+): 欧洲的神经网络会议, 从quality来说是神经网络会议中最好的, 但这个领域 d 4r
L&tnC'@xm
的人不重视会议,在该领域它的重要性不如IJCNN. & QuDO2
,#N*[R"NP
AJCAI (3): 澳大利亚的综合型人工智能会议, 在国家/地区级AI会议中算不错的了. (;gb3`v>
YGLw dV'
CAI (3): 加拿大的综合型人工智能会议, 在国家/地区级AI会议中算不错的了. s jOU.
Ife yz0E
CEC (3): 进化计算方面最重要的会议之一, 盛会型. IJCNN/CEC/FUZZ-IEEE这三个会议是 kl 1dx1I
^# {FtPl
计算智能或者说软计算方面最重要的会议, 它们经常一起开, 这时就叫WCCI (World /X:usTz=
Congress on Computational Intelligence). 但这个领域和CS其他分支不太一样, 倒是和 P~XF=%d/
Ru=u..Iy
其他学科相似, 只重视journal, 不重视会议, 所以录用率经常在85%左右, 所录文章既有 @gkAgp||
=/{GwVv
quality非常高的论文, 也有入门新手的习作. )xvaq,
(:v-xN0
FUZZ-IEEE (3): 模糊方面最重要的会议, 盛会型, 参见CEC的介绍. -0N)5b
[cj] y>
GECCO (3): 进化计算方面最重要的会议之一, 与CEC相当，盛会型. _TB2&$tZ
myr8Nz
ICASSP (3): 语音方面最重要的会议之一, 这个领域的人也不很care会议. b%/r'a ][
f 9A7 C
ICIP (3): 图像处理方面最著名的会议之一, 盛会型. VK87$3/,
$=0Iv|
ICPR (3): 模式识别方面最著名的会议之一, 盛会型. Hx?[<g
j:`ZZ T
IEA/AIE (3): 人工智能应用会议. 一般的会议提名优秀论文的通常只有几篇文章, 被提名 zWq&Q5Oc
; m6du[9
就已经是很高的荣誉了, 这个会很有趣, 每次都搞1、20篇的优秀论文提名, 专门搞几个 j~_VWp3
U[ lKCo7
session做被提名论文报告, 倒是很热闹. "y!c!)L'+d
1J-b"yxQY
IJCNN (3): 神经网络方面最重要的会议, 盛会型, 参见CEC的介绍. ~oa? ~,aY
E$tu`//TU
IJNLP (3): 计算语言学/自然语言处理方面比较著名的一个会议. Yw& a
|/xev/J)
PRICAI (3): 亚太综合型人工智能会议, 虽然历史不算短了, 但因为比它好或者相当的综 nU7e[+!KU
yLxDS ?e[
合型会议太多, 所以很难上升. 4,"6Kr zPO
sX(/Mc<&
4j/f
Combined List: .I%Och$/
说明: 纯属个人看法, 仅供参考. tier-1的列得较全, tier-2的不太全, tier-3的很不全 `je6;Th(
. /e*0vX>
同分的按字母序排列. 不很严谨地说, tier-1是可以令人羡慕的, tier-2是可以令 X8BE
人尊敬的,由于AI的相关会议非常多, 所以能列进tier-3的也是不错的 |C@Zi7N s
A!S@NL(
tier-1: [4~Z!O1D
IJCAI (1+): International Joint Conference on Artificial Intelligence ~=T_c sD<
AAAI (1): National Conference on Artificial Intelligence 5v;/-0R#t
COLT (1): Annual Conference on Computational Learning Theory ZCaHQ-
CVPR (1): IEEE International Conference on Computer Vision and Pattern Ds=N61J"@-
Recognition KqUh+z/P8
ICCV (1): IEEE International Conference on Computer Vision D2eQrapp
ICML (1): International Conference on Machine Learning <iq /HcM)
NIPS (1): Annual Conference on Neural Information Processing Systems d?;FwF
ACL (1-): Annual Meeting of the Association for Computational Linguistics /g`,c`<;
KR (1-): International Conference on Principles of Knowledge Representation La-kNA)
and Reasoning RM? n07
SIGIR (1-): Annual International ACM SIGIR Conference on Research and .hta@M-*
Development in Information Retrieval Pj'ewU e0r
SIGKDD (1-): ACM SIGKDD International Conference on Knowledge Discovery and )s 319q!
Data Mining kzr8A *7#
UAI (1-): International Conference on Uncertainty in Artificial Intelligence tcPS%j
kJQ#3f!5O
q.YS2
tier-2: ,/CO<xKG
AAMAS (2+): International Joint Conference on Autonomous Agents and pE^jx}TA2~
Multiagent Systems gfl>zpV{V
ECCV (2+): European Conference on Computer Vision 3~? L`r
ECML (2+): European Conference on Machine Learning u% ( `0g(q
ICDM (2+): IEEE International Conference on Data Mining v!Hre
SDM (2+): SIAM International Conference on Data Mining WLzJy_j7
ICAPS (2): International Conference on Automated Planning and Scheduling "w-sJn>}N
ICCBR (2): International Conference on Case-Based Reasoning D$>ENb J12
COLLING (2): International Conference on Computational Linguistics q3u>m,<+:C
ECAI (2): European Conference on Artificial Intelligence QSL)`2
ALT (2-): International Conference on Algorithmic Learning Theory CLNWbv~B)
EMNLP (2-): Conference on Empirical Methods in Natural Language Processing VwcIQ0 "j2
ILP (2-): International Conference on Inductive Logic Programming ueELQpzG3a
PKDD (2-): European Conference on Principles and Practice of Knowledge a7R_JA
Discovery in Databases Jbr_5TE
dEytE3R~
tier-3: met wL,|u
ACCV (3+): Asian Conference on Computer Vision 6#MGi8ToT
DS (3+): International Conference on Discovery Science z7pXUE&Gh
ECIR (3+): European Conference on IR Research i> ?!W;c
ICTAI (3+): IEEE International Conference on Tools with Artificial a:0vBIb
Intelligence bmyd,:9
PAKDD (3+): Pacific-Asia Conference on Knowledge Discovery and Data Mining [@oHEM&
ICANN (3+): International Conference on Artificial Neural Networks qg@/ 6m'
AJCAI (3): Australian Joint Conference on Artificial Intelligence F=>&|5
CAI (3): Canadian Conference on Artificial Intelligence !CRY'$
CEC (3): IEEE Congress on Evolutionary Computation p/W5K45t
FUZZ-IEEE (3): IEEE International Conference on Fuzzy Systems { v4fcV`
GECCO (3): Genetic and Evolutionary Computation Conference 3mh* ZSn9
ICASSP (3): International Conference on Acoustics, Speech, and Signal 2p/Bmo_
Processing -hF:Wb~%
ICIP (3): International Conference on Image Processing a7_ >n)
ICPR (3): International Conference on Pattern Recognition CPeOcJ"
IEA/AIE (3): International Conference on Industrial and Engineering 6)2B&6 JO
Applications of Artificial Intelligence and Expert Systems ~,o!}S%
IJCNN (3): International Joint Conference on Neural Networks tPpq*R<f+
IJNLP (3): International Joint Conference on Natural Language Processing zN$cvQ56w
PRICAI (3): Pacific-Rim International Conference on Artificial Intelligence [w[o9,
f^aO H
~;S vf~*.
关于List的补充说明: kpR.
列list只是为了帮助新人熟悉领域, 给出的评分或等级都是个人意见, 仅供参考. 特别要 A"Zd]y
8( d~#
说明的是: /AXSfN)p"i
f;m?,'O
1. tier-1 conference上的文章并不一定比tier-3的好, 只能说前者的平均水准更高. NcXU+
es?3Pq,_y
2. 研究工作的好坏不是以它发表在哪儿来决定的, 发表在高档次的地方只是为了让工作更 |/`f u]|O
/# y!1Oi
容易被同行注意到. tier-3会议上发表1篇被引用10次的文章可能比在tier-1会议上发表1 q-WJE{s"jA
) ;A c s#w
0篇被引用0次的文章更有价值. 所以, 数top会议文章数并没有太大意义, 重要的是同行的 6H8YVOr0N
~_3~ap[
评价和认可程度. qPfM7tr
$8Vl:d
3. 很多经典工作并不是发表在高档次的发表源上, 有不少经典工作甚至是发表在很低档的 #5uO7
-4Ikw8S
发表源上. 原因很多, 就不细说了. 1"EYHy
?ORV]Yi
4. 会议毕竟是会议, 由于审稿时间紧, 错杀好人和漏过坏人的情况比比皆是, 更何况还要 OT}P2a6's
UF9>Y?.<Y7
考虑到有不少刚开始做研究的学生在代老板审稿. cra.e;
4B& @ o|
5. 会议的reputation并不是一成不变的，新会议可能一开始没什么声誉，但过几年后就野 `v^c^bj$H
SRys 'c0
鸡变凤凰，老会议可能原来声誉很好，但越来越往下滑. t^| ldZI
9(ijmD*f<.
6. 只有计算机科学才重视会议论文, 其他学科并不把会议当回事. 但在计算机科学中也有 H5@:gk/Gr
ef]G:5O
不太重视会议的分支. i[;]R-()C
2K#bSf
7. Politics无所不在. 你老板是谁, 你在哪个研究组, 你在哪个单位, 这些简单的因素都 YZ,[+i2-"b
+ sQ7L7+
可能造成决定性的影响. 换言之, 不同环境的人发表的难度是不一样的. 了解到这一点后 %>' W(7y[D
a*T<@Rk
, 你可能会对high-level发表源上来自low-level单位名不见经传作者的文章特别注意(例 s:oMN*_*
Bs4[PM
如如果<计算机学报>上发表了平顶山铁道电子信息科技学院的作者的文章,我一定会仔细读 N-,4P"J,d3
V!gl<-B
). {K !1P@
]c , CM
8. 评价体系有巨大的影响. 不管是在哪儿谋生的学者, 都需要在一定程度上去迎合评价体 Wz25E;"/
W]poC5$
系, 否则连生路都没有了, 还谈什么做研究. 以国内来说, 由于评价体系只重视journal, ACk2
7Y^% ~,$|
有一些工作做得很出色的学者甚至从来不投会议. 另外, 经费也有巨大的制约作用. 国外 ^"eCf[
m#-{p> o
很多好的研究组往往是重要会议都有文章. 但国内是不行的, 档次低一些的会议还可以投 X.=D 8
_c:(C7X,W
了只交注册费不开会, 档次高的会议不去做报告会有很大的负面影响, 所以只能投很少的 $`X)CB
F?[re)x
会议. 这是在国内做CS研究最不利的地方. 我的一个猜想：人民币升值对国内CS研究会有 zyK4Y5?h
#6?N+TwD
不小的促进作用(当然, 人民币升值对整个中国来说利大于弊还是弊大于利很难说).
