写期刊论文：首先要了解你这个行业的动态和背景，多看；然后查找你要写的这个论文的要发表的期刊，多选几种，看别人怎么写。依葫芦画瓢，先写一个试试。如要帮助，可以进一步联系我。
关联规则挖掘吧,我刚做完相关的论文用的是SQL Server2005中的智能挖掘平台介绍一本书给你看下,就是图片里的那本书里面有完整的使用sql server数据挖掘的过程写论文十分辛苦,但一定会有收获!加油!
科睿唯安（Clarivate Analytics）发布TKDE影响因子：977；TKDE是IEEE旗下专注知识发现和数据挖掘的期刊。是计算机领域数据挖掘方向的顶级期刊。
数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
是外文期刊的，不属于国内的
ACM(Association for Computing Machinery )美国计算机协会是一个世界性的计算机专业组织，创立于1947年，是世界上影响力最强的科学性及教育性计算机组织。ACM每年都出版大量计算机科学的高水平专门期刊，并在各项计算机专业领域都有分会，称为SIG（Special Interest Group）。ACM就像一个伞状的组织，为其所有的成员提供信息，包括最新的尖端科学的发展，从理论思想到应用的转换，提供交换信息的机会。正象ACM建立时的初衷，它仍一直保持着它的发展“信息技术”的目标，ACM成为一个永久的更新最新信息领域的源泉。ACM颁发“图灵奖”给计算机领域做出杰出贡献的人士。该奖项被称为计算机领域的诺贝尔奖。KDD Cup的主办方是SIGKDD是ACM的数据挖掘分会，其全称为ACM Special Interest Group on Knowledge Discovery and Data Mining，SIGKDD是国际数据挖掘界最著名的组织，其中KDD（Knowledge Discovery and Data Mining，知识发现与数据挖掘）一词首次出现在1989年8月举行的第11届国际联合人工智能学术会议（IJCAI）上，由Piatetsky Sharpiro正式提出；1989-1994年间美国人工智能协会共举办了4届KDD国际专题讨论会（89、91、93、94）。1995年，国际KDD组委把专题讨论会更名为国际会议，并在加拿大蒙特利尔召开了第1届KDD国际学术会议，以后每年召开一次。1998年，ACM成立了KDD特殊兴趣组SIGKDD，于1999年第五届开始组织KDD学术会议。由于KDD的学科交叉性和广泛应用性,吸引了来自统计、机器学习、数据库、互联网、生物信息学、多媒体、自然语言处理、人机交互、社交网络、高性能计算及大数据挖掘等众多领域的专家、学者，KDD Cup的参赛队伍、Conference的投稿量呈现逐年增加的趋势，其行业影响力也越来越大。SIGKDD的现任主席为Usama Fayyad（2009-now），前任主席包括Gregory Piatetsky Shapiro(2005-2008)、Won Kim (1998-2004)KDD Cup每届比赛会由企业或大学来进行协办，协办者通常会提供极有前沿应用价值的大规模数据作为挖掘样本。作为公认的数据处理领域内的最高水平的赛事之一，历年的竞赛所用数据往往被数据挖掘从业者用作研究和开发的良好训练数据。近几年KDD-Cup的协办单位包括：DonorsChoose（2014）、微软公司（2013）、腾讯公司（2012）、雅虎公司（2011）、卡耐基梅隆大学（2010）、法国电信公司（2009）、西门子医疗（2008）。
汉斯出版社的我是想问它是国家级？还是省市级？还是？
数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
每年的SCI/SSCI都会进行升降的，既然被降级那肯定是近年所发表的文章以及质量比往年有所下降，被降为三区那是理所应当的。
这个杂志没有吧
是外文期刊的，不属于国内的
你先看韩家炜的那本《数据挖掘》，然后看一下几个会议的论文SIGKDDCIKMICDMPAKDD里面的论文都是比较好的，具体内容需要看你最后做的是什么问题，现在做recommendation（推荐）的比较多。
数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
可以认为没有区别。就是对一个概念的两个别称。数据挖掘领域的顶级学术会议名字就叫 Knowledge Discovery and Data Mining这两个词总是一起出现的。
科睿唯安（Clarivate Analytics）发布TKDE影响因子：977；TKDE是IEEE旗下专注知识发现和数据挖掘的期刊。是计算机领域数据挖掘方向的顶级期刊。
数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘流程：定义问题：清晰地定义出业务问题，确定数据挖掘的目的。数据准备：数据准备包括：选择数据–在大型数据库和数据仓库目标中 提取数据挖掘的目标数据集;数据预处理–进行数据再加工，包括检查数据的完整性及数据的一致性、去噪声，填补丢失的域，删除无效数据等。数据挖掘：根据数据功能的类型和和数据的特点选择相应的算法，在净化和转换过的数据集上进行数据挖掘。结果分析：对数据挖掘的结果进行解释和评价，转换成为能够最终被用户理解的知识。数据挖掘的技术，可粗分为：统计方法、机器学习方法、神经网络方法和数据库方法。统计方法，可细分为：回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、CBR、遗传算法、贝叶斯信念网络等。神经网络方法，可细分为：前向神经网络（BP算法等）、自组织神经网络（自组织特征映射、竞争学习等）等。数据库方法主要是基于可视化的多维数据分析或OLAP方法，另外还有面向属性的归纳方法。