项目方向门槛
我查到的最近几个从这个组毕业的博士，一个去了腾讯 AI Lab 做推荐算法，一个拿到了内地 211 院校的教职，还有一个在华为诺亚方舟实验室。样本不多，但有一个共同点：这几个人在读博期间都有 SIGIR 或 KDD 的一作论文，而且研究主题都跟知识图谱或图神经网络在推荐系统中的应用有关。
今天拆的这位导师是香港城市大学计算机科学系的Prof. LI Qing（李清），教授。h-index 65，总引用约 18500，在信息检索和推荐系统领域属于高产出的教授。他的组规模比较大，目前大约 约 10-12 名博士生、3-4 名博士后，这意味着组内合作资源多，但导师分配给每个学生的时间也会相应有限。进这个组之前，最好想清楚：你是需要导师手把手带的类型，还是给一个方向就能自己跑的类型。
研究背景与课题组
李清教授在香港城市大学（CityU）CS 系任教多年，长期做多媒体信息检索和推荐系统方向。从论文看，他的研究主线经历了一次明显的演化：早期偏传统信息检索和社交网络分析，近三四年重心转到了图神经网络在推荐系统中的应用，最近一两年又开始往 LLM + 知识图谱的交叉方向延伸。这个演化轨迹对写 RP 很重要，因为如果你还按五年前的方向写，题目很可能跟他当前的兴趣对不上。
Funding 方面，多项香港 RGC GRF/CRF 项目，与华为、腾讯等公司有合作项目。与华为、腾讯的合作项目意味着学生有机会接触到业界的真实数据和问题，这对毕业后去业界很有价值。但也要注意，合作项目有时候会限定研究方向和时间节点，不是所有学生都适合这种模式。
研究重心
我先看了他近两年的通讯作者论文，关键词高频出现的是三个：graph contrastive learning、knowledge graph、recommendation。这三个方向合在一起，指向的核心问题是：怎么用结构化知识和图学习方法提升推荐系统的效果，特别是在数据稀疏和冷启动场景下。
近期还有一个明显的信号：组里开始做 LLM 和知识图谱的结合。他在 ACM Computing Surveys 上发了一篇 LLM+KG 的综述，引用量上得很快，说明这个交叉方向是他接下来要重点布局的。对申请者来说，这既是机会也是风险。机会在于方向很新，竞争还没那么激烈；风险在于如果你对 LLM 完全没概念，进去之后可能会被分到一个你不熟悉的题目上。
Disentangled Graph Contrastive Learning for Recommendation
SIGIR 2024
图对比学习做推荐，是组里近两年产出最集中的问题线
Large Language Models Meet Knowledge Graphs: A Survey
ACM Computing Surveys, 2024
LLM + KG 综述，引用量上得很快，说明这个交叉方向是组里新押的赛道
代表论文
除了上面提到的两篇，他在 ACM MM 2023 上还有一篇关于多模态预训练的工作。这三篇论文放在一起看，能看出一条清晰的线：图学习 → 多模态 → LLM，方法在升级，但核心应用场景一直是推荐和检索。做过推荐系统或者图神经网络的学生，比较容易找到自己的切入点。完全没碰过这些的人，至少需要先读懂 GNN 和注意力机制的基础论文。
申请准备与文书材料
CV 里如果有推荐系统相关项目，重点写数据规模、模型选型和评估指标。只写"用 Python 实现了一个推荐算法"太泛了，至少说清楚用的是协同过滤还是图方法，数据集是什么量级，最终效果怎么样。如果有论文复现经验（比如复现过某篇 SIGIR 的工作），直接写进去，这比泛泛的"科研兴趣"有说服力得多。
邮件第一段：先说你做过什么具体推荐/检索/图学习任务，再说读到他哪篇工作让你想继续，最后说想把题目缩到哪个点上。不要写"对人工智能充满热情"这种空话。
研究计划
主方向：LLM 增强的知识图谱推理在推荐系统中的应用。对象可以是电商或短视频推荐场景，数据可以用 Amazon Reviews 或自建知识图谱，方法从他综述里提到的 KG-enhanced prompting 出发，解决冷启动或跨域推荐的问题。可追问的问题：LLM 做 KG 推理的幻觉问题在推荐场景中怎么控制？
备选方向：图对比学习在稀疏交互数据下的鲁棒推荐。这条线跟他 SIGIR 的工作直接相关，适合有 GNN 基础的学生。避坑：不要写"构建通用推荐框架"或"AI 驱动的智能推荐"这种口号式题目，他的组做的是具体的图学习方法，不是系统工程。
博士未来就业与资助
香港城市大学博士生标准资助：每月约 18,500 港币（约合人民币 17,000 元），学费全免。港城大 CS 系在 QS 计算机学科排名中位列前 50，博士项目与业界联系紧密
毕业去向方面，查到的前学生样本中，去向分散在互联网大厂研究院（腾讯 AI Lab、华为诺亚方舟、字节跳动）和高校教职（内地 985/211 院校）。推荐系统方向在业界需求一直很稳定，做过图学习和 LLM 的博士在大厂研究院和算法岗都有对口岗位。学术路线的话，h-index 高的导师推荐信在申请教职时有明显加分。
经历能对接图学习或推荐系统这条线的学生，这个组值得认真准备，导师产出稳、资源多、毕业去向清晰。但组大意味着竞争也大，没有相关项目经历或论文的申请者，需要多做准备。
