招收以下研究方向的博士后人员：
1.自然语言处理（NLP）
单语语料在机器翻译、文本纠错等NLP文本生成任务中的研究
多模态机器翻译研究
篇章级别的机器翻译、文本纠错研究
文本生成任务的质量评估办法研究
融合外部知识的文本生成研究
2.计算机视觉（CV）
开展无监督、半监督、少样本学习以及多模态技术在文档图像处理、识别和理解方面的应用研究：
探索使用大量的自然场景、文档拍照、试卷/作业扫描图片等数据，以及大量题库、文档等文本数据，在结合少量人力的条件下，使用activelearning的技术，大幅提升图像任务（如图像增强、超分、手写擦除、文字检测与识别、文档结构分析、公式识别、手写识别、用户兴趣文字区域识别等）的效果，包括信噪比、准确率、泛化性等
研究成果将应用在有道的各个业务产品上
3.高性能计算
开展高性能计算和AI交叉课题相关研究，包括：
AI训练框架性能优化研究，如例如探索高质量高性能的优化器
AI神经网络研究，设计低计算量高质量的神经网络
4.人工智能芯片
研究利用定制芯片加速AI模型推理的性能，探索方向包括：
1.深度学习硬件加速器、人工智能芯片
2.AI神经网络结构研究，设计低计算量高质量的AI芯片，如近似计算
3.参与团队AI芯片的算法适配，如从AI应用端验证AI新体系结构对AI准确度的影响
5.语音
（1）情景口语对话算法研究
在情景对话中进行听力口语练习，是个有趣且有效的语言学习方法，有道听力宝-情景对话是其中一个例子
1.探索结合用户知识点掌握情况和学习需求，智能的生成/选择对话脚本，生成情景对话场景
2.探索根据用户回答情况，调整脚本及口语对话流程，使得整体口语对话的生成，更自然、更有用
（2）语音识别算法研究
半监督、无监督、大规模预训练模型的在ASR领域的应用研究
探索课题包括但不限于：
探索利用大规模互联网、海量业务数据进行数据挖掘，探索低成本构建高质量训练数据的方法（类似wenetspeech、gigaspeech）
研究利用大规模预训练模型改善识别效果、鲁棒性的高效可落地方法
尝试利用大语种（有丰富的训练数据）、预训练模型，低成本快速扩展ASR支持的语言、方言的技术方法
（3）语音合成算法研究
1.跨语种（如中英）TTS自动配音技术研究
2.还原原声的情感、风格、音色、韵律等表达力的合成技术研究
3.应用跨语种TTS技术，低成本快速扩展TTS支持的语言、方言

招收条件：
1、年龄在35周岁以下，获得博士学位不超过三年（含应届）
2、计算机科学与技术、应用数学、物理学等相关专业
3、具备***进站工作条件