对话系统研究如何赋予机器使用自然语言与人交流的能力,是当前人工智能领域重要且具有挑战性的任务之一。近年来,随着微博、Twitter等网络社交平台的快速发展,研究者们能够很容易地获取大量对话数据,数据驱动的开放域对话系统成为了热门研究方向。其中,多轮对话系统符合人类对话的本质且具有广阔的应用前景,所以本文主要对开放域多轮对话系统进行研究。虽然现有工作提出了各种对话模型来提高对话系统的性能,但无论是检索式对话模型还是生成式对话模型,都存在一些亟待解决的问题。此外,将检索模型和生成模型相结合来提升响应的质量也是一个非常值得探索的方向。因此,本文从以下三个方面开展对多轮对话技术的研究,并基于深度学习技术提出了具体的解决方案。(1)检索式对话模型研究。针对检索式对话模型检索出的响应缺乏上下文相关性的问题,提出了基于上下文交互的深度匹配网络CIMN来匹配上下文和响应。该模型将对话上下文视为由多个单轮对话组成,使用每个单轮对话的应答句去衡量其对应问句中各个部分的重要程度,获得上下文中所有单词和话语的加权表示后,再和响应进行匹配,这有利于识别上下文和响应之间的语义关系,从而选择出上下文相关的响应。(2)生成式对话模型研究。针对生成式对话模型倾向于生成通用响应的问题,提出了层次多头注意力网络HMAN来建模对话生成过程。该模型的话语编码器、上下文编码器及响应解码器均基于多头注意力网络实现,使得编码出的话语表示、上下文表示能够捕捉到话语内和话语间的复杂依赖关系,从而生成更多样化、信息量更大的响应。(3)检索和生成相结合的混合对话模型研究。为进一步提升响应质量,提出了基于信息融合和重排序的混合对话模型IRHM。该模型将检索到的候选响应输入到生成模型中,为生成模型提供额外的相关补充信息;将生成的响应和检索到的响应进行重排序,以剔除检索到的不相关响应以及生成的无意义响应,从而使整个对话模型能够返回最合适的响应。