导师简介
如果你想申请新加坡南洋理工大学 电子工程学系博士，那今天这期文章解析可能对你有用！今天Mason学长为大家详细解析新加坡南洋理工大学的Prof. Chen的研究领域和代表文章，同时，我们也推出了新的内容“科研想法&开题立意”，为同学们的科研规划提供一些参考，并且会对如何申请该导师提出实用的建议！方便大家进行套磁！后续我们也将陆续解析其他大学和专业的导师，欢迎大家关注！
Lihui Chen现为新加坡南洋理工大学（NTU）电气与电子工程学院终身副教授，隶属于信息工程系。教授于1982年获中国浙江大学计算机科学与工程学士学位（BEng），1988年至1992年赴英国圣安德鲁斯大学攻读并获得计算科学博士学位；攻读博士前，曾在计算机软件公司担任软件工程师6年，积累了扎实的工程实践经验。
自1993年起，Chen教授便任职于NTU，至今已深耕该校教学与科研领域30余年。
研究分析
（一）核心论文研究方向
- BlendCSE（2024）：发表于《Expert Systems with Applications》提出融合对比学习的句子嵌入方法（Blend contrastive learnings for sentence embeddings），核心优势在于提升嵌入向量的语义丰富度与迁移能力。该研究针对性解决传统句子嵌入模型在跨领域语义适配中的局限性，为信息检索、文本匹配等应用提供了更高效的语义表征方案。
- DistillCSE（2023）：发表于ArXiv（并收录于Findings of EMNLP 2023）提出蒸馏对比学习框架用于句子嵌入。通过知识蒸馏技术压缩模型规模，在保证语义表征性能的前提下降低计算成本，具备更强的工程落地可行性，尤其适用于资源受限的Web智能与文本检索场景。
- Deep Embedded Clustering with Random Projection Penalty（2023）：发表于《NETWORKING COMMUNICATION AND DATA KNOWLEDGE ENGINEERING, VOL 1》将随机投影惩罚机制引入深度嵌入聚类模型，有效缓解高维数据聚类中的过拟合问题，提升聚类结果的稳定性与可解释性，为文本/网页数据挖掘提供了新的聚类技术路径。
- On Synthetic Data for Back Translation（2023）：发表于ArXiv（收录于NAACL 2022 Main Conference）聚焦合成数据在回译任务中的应用，探讨合成数据质量对翻译效果的影响，为自然语言处理中的数据增强策略提供了实证参考，与Web智能领域的多语言信息检索需求高度契合。
（二）在研项目
- 其主持的在研基金项目“Artificial Intelligence Empowered Semantic Search for Prior Art Retrieval”（人工智能驱动的在先技术检索语义搜索）进一步将基础研究与专利信息检索等实际应用场景结合，体现“基础理论-技术突破-行业应用”的研究逻辑。
研究想法
结合Chen教授的核心研究方向（对比学习、语义嵌入、Web智能、数据聚类），提出以下3个具有新颖性与适配性的研究想法，均紧扣其研究脉络并拓展新的研究维度：
- 多模态融合的对比学习句子嵌入用于跨媒体Web检索：现有BlendCSE、DistillCSE均聚焦文本单模态语义表征，可拓展至“文本-图像”多模态融合场景。通过构建跨模态对比学习框架，将网页中的文本信息与图像视觉特征进行联合嵌入，解决当前Web检索中“文本-图像语义错位”问题，提升跨媒体信息检索的准确性。该想法延续了Chen教授对比学习与语义嵌入的核心研究，同时拓展了多模态研究维度，契合Web智能的前沿发展需求。
- 小样本场景下的蒸馏对比聚类方法研究：针对现有聚类方法在小样本网页文本数据中性能下滑的问题，融合DistillCSE的蒸馏技术与随机投影惩罚聚类思想，设计轻量级小样本对比聚类模型。通过引入领域自适应策略，提升模型在小众领域（如专业学术网页、垂直行业资讯）文本聚类中的泛化能力，弥补当前研究在小样本场景的不足。
- 基于合成数据增强的低资源语言Web语义检索研究：结合“On Synthetic Data for Back Translation”的合成数据思路，针对低资源语言（如东南亚小语种）Web信息检索资源匮乏的问题，通过合成数据增强技术构建低资源语言-英语双语平行语料库，再基于对比学习训练跨语言语义嵌入模型，实现低资源语言网页的精准语义检索。该研究贴合新加坡多元语言环境的实际需求，也拓展了Chen教授研究的应用边界。
申请建议
（一）学术背景夯实
- 核心课程学习：优先掌握机器学习、深度学习、数据结构与算法、自然语言处理、数据挖掘等核心课程，建议选修模糊逻辑、神经网络相关专题课程，构建与Chen教授研究方向匹配的知识体系。
- 科研经历积累：重点参与文本嵌入、对比学习、数据聚类、Web信息检索相关的科研项目，即使是课程设计或小型科研实践，也需聚焦具体技术问题（如“基于对比学习的文本匹配模型设计”）。若有论文发表经历，优先投向Chen教授参与审稿的期刊（如《IES Journal –B》）或相关学术会议（如EMNLP、NAACL），提升成果认可度。无发表经历者，需整理科研项目的技术报告，清晰呈现问题定义、方法设计、实验结果等核心内容。
（二）文书材料优化
- 个人陈述（Personal Statement, PS）：核心突出“研究兴趣匹配度”与“科研潜力”。需具体阐述阅读Chen教授的哪篇论文（如BlendCSE、DistillCSE）后产生研究兴趣，分析该论文的核心贡献与可拓展方向，并结合自身科研经历说明如何具备开展相关研究的能力。避免泛泛而谈，需将个人经历与Chen教授的研究方向精准绑定。
- 推荐信（Recommendation Letter, RL）：优先选择具备机器学习、数据挖掘领域研究背景的推荐人，若推荐人曾与Chen教授有学术合作或共同审稿经历，将显著提升推荐信含金量。推荐信内容需具体，避免空泛评价，可让推荐人重点提及你的科研态度、技术能力（如编程、实验设计）及团队协作能力。
（三）能力补充
- 编程与工具能力：熟练掌握Python编程语言，精通PyTorch/TensorFlow深度学习框架，掌握Scikit-learn、Hugging Face Transformers等工具库的使用，具备数据预处理、模型训练与评估的完整实操能力。Chen教授团队的研究涉及大量实验验证，扎实的编程能力是核心基础。
博士背景
Blythe，985电气工程硕士，后毕业于香港科技大学电子及计算机工程学系博士学位。研究方向聚焦于电力电子与智能电网技术。在国际权威期刊《IEEE Transactions on Power Electronics》和《IEEE Transactions on Smart Grid》发表多篇论文。专注于开发新型高效率电力变换器和先进智能配电系统控制算法，熟悉香港PhD申请流程。
【竞赛报名/项目咨询+微信：mollywei007】
