当前位置：首页 SCI期刊 SCIE期刊计算机科学中科院3区 JCRQ2 期刊介绍(非官网)

Data Mining And Knowledge DiscoverySCIE

国际简称：DATA MIN KNOWL DISC 参考译名：数据挖掘和知识发现

中科院分区
3区
CiteScore分区
Q1
JCR分区
Q2

基本信息：: ISSN：1384-5810; E-ISSN：1573-756X; 是否OA：未开放; 是否预警：否; TOP期刊：否

出版信息：: 出版地区：NETHERLANDS; 出版商：Springer US; 出版语言：English; 出版周期：Bimonthly; 出版年份：1997; 研究方向：工程技术-计算机：人工智能

评价信息：: 影响因子：2.8; H-index：87; CiteScore指数：10.4; SJR指数：1.813; SNIP指数：2.784

发文数据：: Gold OA文章占比：44.96%; 研究类文章占比：98.86%; 年发文量：88; 自引率：0.0416...; 开源占比：0.4125; 出版撤稿占比：0; 出版国人文章占比：0.08; OA被引用占比：0.1533...

投稿咨询加急见刊

英文简介期刊介绍 CiteScore数据中科院SCI分区 JCR分区发文数据常见问题

英文简介Data Mining And Knowledge Discovery期刊介绍

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.

期刊简介Data Mining And Knowledge Discovery期刊介绍

《Data Mining And Knowledge Discovery》自1997出版以来，是一本计算机科学优秀杂志。致力于发表原创科学研究结果，并为计算机科学各个领域的原创研究提供一个展示平台，以促进计算机科学领域的的进步。该刊鼓励先进的、清晰的阐述，从广泛的视角提供当前感兴趣的研究主题的新见解，或审查多年来某个重要领域的所有重要发展。该期刊特色在于及时报道计算机科学领域的最新进展和新发现新突破等。该刊近一年未被列入预警期刊名单，目前已被权威数据库SCIE收录，得到了广泛的认可。

该期刊投稿重要关注点：

预计审稿时间：约6.0个月
计算机科学
COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE
SCIE
中科院3区
非预警

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

CiteScore：10.4
SJR：1.813
SNIP：2.784

学科类别	分区	排名	百分位
大类：Computer Science 小类：Computer Networks and Communications	Q1	40 / 395	90%
大类：Computer Science 小类：Computer Science Applications	Q1	93 / 817	88%
大类：Computer Science 小类：Information Systems	Q1	52 / 394	86%

CiteScore 是由Elsevier(爱思唯尔)推出的另一种评价期刊影响力的文献计量指标。反映出一家期刊近期发表论文的年篇均引用次数。CiteScore以Scopus数据库中收集的引文为基础，针对的是前四年发表的论文的引文。CiteScore的意义在于，它可以为学术界提供一种新的、更全面、更客观地评价期刊影响力的方法，而不仅仅是通过影响因子(IF)这一单一指标来评价。

历年Cite Score趋势图

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

中科院 2023年12月升级版 综述期刊：否 Top期刊：否

大类学科	分区	小类学科	分区
计算机科学	3区	COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE 计算机：人工智能 COMPUTER SCIENCE, INFORMATION SYSTEMS 计算机：信息系统	3区 3区

中科院分区表 是以客观数据为基础，运用科学计量学方法对国际、国内学术期刊依据影响力进行等级划分的期刊评价标准。它为我国科研、教育机构的管理人员、科研工作者提供了一份评价国际学术期刊影响力的参考数据，得到了全国各地高校、科研机构的广泛认可。

中科院分区表 将所有期刊按照一定指标划分为1区、2区、3区、4区四个层次，类似于“优、良、及格”等。最开始，这个分区只是为了方便图书管理及图书情报领域的研究和期刊评估。之后中科院分区逐步发展成为了一种评价学术期刊质量的重要工具。

历年中科院分区趋势图

JCR分区Data Mining And Knowledge Discovery JCR分区

2023-2024 年最新版

按JIF指标学科分区	收录子集	分区	排名	百分位
学科：COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE	SCIE	Q2	98 / 197	50.5%
学科：COMPUTER SCIENCE, INFORMATION SYSTEMS	SCIE	Q2	105 / 249	58%

按JCI指标学科分区	收录子集	分区	排名	百分位
学科：COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE	SCIE	Q2	66 / 198	66.92%
学科：COMPUTER SCIENCE, INFORMATION SYSTEMS	SCIE	Q2	97 / 251	61.55%

JCR分区的优势在于它可以帮助读者对学术文献质量进行评估。不同学科的文章引用量可能存在较大的差异，此时单独依靠影响因子(IF)评价期刊的质量可能是存在一定问题的。因此，JCR将期刊按照学科门类和影响因子分为不同的分区，这样读者可以根据自己的研究领域和需求选择合适的期刊。

历年影响因子趋势图

发文数据

2023-2024 年国家/地区发文量统计

国家/地区数量
USA58
France25
Australia24
CHINA MAINLAND24
Belgium18
England16
GERMANY (FED REP GER)15
Italy13
Brazil12
Finland8

本刊中国学者近年发表论文

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