根據(jù)CCF推薦目錄，Acemap對人工智能方向36個會議（A類7個、B類12個、C類17個）會議進(jìn)行了多角度、全方位的立體畫像。

Acemap分別從會議中稿量、會議H-index、會議文章引用量、會議核心作者、會議影響力和論文數(shù)量的tradeoff（權(quán)衡）圖、國家機構(gòu)統(tǒng)計和會議星云圖這七個角度分析了近十年來（2008~2018）的CCF人工智能領(lǐng)域的會議。

詳細(xì)信息請?zhí)D(zhuǎn)至主頁:http://www.acemap.info/ccf?type=7或點擊閱讀原文查看。在網(wǎng)頁中選中想要查看的會議，則我們的網(wǎng)頁中只顯示與這些會議相關(guān)的統(tǒng)計。

會議星云圖（GalaxyMap）

下圖將CCF網(wǎng)絡(luò)領(lǐng)域A類與B類會議引用量最高的部分論文以GalaxyMap(星云圖)的形式展現(xiàn)：點的大小與影響力正相關(guān)；邊表示會議之間的聯(lián)系緊密程度；位置表示會議之間的相互關(guān)系。

圖中主要反映了CCF人工智能領(lǐng)域的AB類會議論文之間的關(guān)系，可以看出圖中會議呈現(xiàn)出“凝散相協(xié)”的狀態(tài)，即，分散之中有凝聚，凝聚之間有聯(lián)系?？梢园l(fā)現(xiàn)其中幾篇影響深遠(yuǎn)的論文（圖中較大的點，點擊可查看具體信息）在其領(lǐng)域內(nèi)帶動起了眾多論文，很可能為這個領(lǐng)域奠定了堅實的基礎(chǔ)。

下圖將CCF網(wǎng)絡(luò)領(lǐng)域A類與B類會議中領(lǐng)域H-index最高的部分學(xué)者以GalaxyMap(星云圖)的形式展現(xiàn)：點代表學(xué)者，大小與該學(xué)者在網(wǎng)絡(luò)領(lǐng)域的影響力相關(guān)；邊連接學(xué)者與會議，表示學(xué)者與該會議之間的聯(lián)系緊密程度；位置表示會議之間的相互關(guān)系。

圖中主要反映了CCF人工智能領(lǐng)域的AB類會議作者與會議的聯(lián)系密切程度，可以看出圖中會議大致分為五個群體，其可能因為AI領(lǐng)域包含五大方向（例如左下角以CVPR，ECCV，ICCV為首的會議主要集中在Computer Vision方向，并且CVPR擁躉最多，影響力最大），各個會議群體之間既有一定的聯(lián)系，又有明確的界限；圖中五個會議群體各據(jù)一方，并沒有一個獨占中心的會議。

會議中稿量分析

下圖顯示的是各個會議每年的錄取量隨時間變化的趨勢。 由于某些年份部分會議（ICCV的偶數(shù)年、ECCV的奇數(shù)年等）不召開，因此對于這部分?jǐn)?shù)據(jù)，為了保持曲線整體趨勢，我們使用前一年該會議數(shù)據(jù)進(jìn)行填充?？梢钥闯鰰h規(guī)模方面有些會議表現(xiàn)出整體逐年上升的趨勢（CVPR、AAAI等），同時也有些會議整體上保持著平穩(wěn)（ICRA、AAMAS等）。

會議H-index比較

下圖描述的是CCF人工智能方向的會議，從2009年到2018年的H-index變化（這里將會議看成是一個學(xué)者進(jìn)行相應(yīng)統(tǒng)計）。其中橫軸由勾選中的會議組成，每個部分代表一個會議，且由10條柱組成（2009-2018年），每條柱表示截至當(dāng)年該會議的H-index。

該圖中每個會議對應(yīng)10條柱的整體高度代表著該會議近10年來整體水平；另外每個會議對應(yīng)部分頂部折線的整體斜率能夠代表著該會議近10年來發(fā)展的速度。

文章引用量比較

會議TOP30文章平均引用量

下圖顯示的是每個會議2009-2018年間截至當(dāng)年引用量TOP30論文的平均引用量隨時間的變化。例如在2014年，A會議TOP30論文的總他引量為6000，則A會議在2014年的TOP30論文平均引用量為2000。與H-Index類似，該圖中每個會議對應(yīng)10條柱的整體高度代表著該會議近10年來頂尖論文的整體水平；另外每個會議對應(yīng)部分頂部折線的整體斜率能夠代表著該會議或者該領(lǐng)域近10年來發(fā)展的速度。

所有論文平均引用量

下圖顯示的是每個會議2009-2018年間截至當(dāng)年論文的平均引用量隨時間的變化。例如，A會議截至2014年總計發(fā)表論文100篇，總共引用量為1000，則A會議在2014年的平均引用量為10。比較有趣的一點是部分會議會如ICCV、ECCV等，會有鋸齒出現(xiàn)，這主要是因為這些會議并非每年都開，因此在沒有召開的年份，由于引用量增長而總論文數(shù)不變，因此在這一年該會議平均引用量就會有一次非常大的增長。

會議核心作者圖

下圖顯示的，是通過K-shell算法計算得到的每個會議的核心作者地圖，該圖中每個點顏色從藍(lán)色到紅色表明該學(xué)者影響力越來越大，同時每個節(jié)點大小也與該作者影響力成正比。點之間的連線代表coauthor關(guān)系。因此在每個會議地圖中，我們都可以看到該會議中的大牛及其相關(guān)作者的分布情況。（下圖為AAAI的核心作者地圖，若相查看所有36個領(lǐng)域的核心作者地圖，請點擊閱讀原文。）

放大可查看每個作者與其他作者之間的關(guān)系。如下圖可見，Tuomas Sandholm與Craig Boutilier緊密聯(lián)系，因為兩人合作緊密，且有許多共同的coauthor。

會議Tradeoff圖

會議論文數(shù)與H-index tradeoff（權(quán)衡）圖

下圖顯示的，是每個會議在2016-2018年間每年的論文數(shù)與其當(dāng)年的H-index的對比圖，其中橫軸是文章數(shù)，縱軸是H-index。因此在該圖中越偏向右上的點，則說明該會議規(guī)模越大且影響力越高。

會議論文數(shù)與平均引用量tradeoff（權(quán)衡）圖

下圖顯示的，是每個會議在2016-2018年間截至當(dāng)年的平均引用量與其論文數(shù)量的對比圖，其中橫軸是文章數(shù)，縱軸是平均引用量。由于該圖縱軸表示的是每個會議的平均引用數(shù)目，因此在考慮論文影響力時也考慮到了每個會議的規(guī)模，但是仍舊能看出右上角的CVPR等會議依然有著很高的影響力。

國家機構(gòu)統(tǒng)計

下圖描述的是CCF人工智能領(lǐng)域AB類會議論文發(fā)表機構(gòu)、國家的統(tǒng)計?？梢钥吹皆谌斯ぶ悄茴I(lǐng)域中，美國的科研成果仍舊領(lǐng)先，中國緊隨其后，隨之的還有日本、德國、英國等國家。圖中的統(tǒng)計結(jié)果也反應(yīng)了我國近幾年在人工智能領(lǐng)域上實力的發(fā)展與壯大。

點擊每個國家，可出現(xiàn)該國家的機構(gòu)排行。

點擊該機構(gòu)，可出現(xiàn)該機構(gòu)的論文數(shù)。

以及該機構(gòu)的作者排行