使计算机具有文本生成能力,是实现人工智能的重要目标之一,也是当前自然语言处理领域的研究热点。近年来,深度学习成为文本生成的主流方法,使得生成文本更加流畅,极大地提高了生成文本的质量。然而,主流的深度学习文本生成方法以序列到序列模型为基础,它们针对相同的源文本总是产生相同的目标文本,这对于要求提供多样性回复的应用场景是不适合的,例如聊天机器人。因此,在满足高质量的前提下提高生成文本的多样性,成为文本生成任务的一项重要研究课题。为了使生成的文本具有多样性,研究者提出了基于变分编码解码的方法,取得了令人鼓舞的效果。这类方法将源文本编码为多元正态分布,通过对多元正态分布采样,并利用采样得到的实值向量解码生成文本。这类变分编码解码方法虽然产生了具有一定多样性的文本,但由于它们采用交叉熵作为损失函数,试图使解码器拟合标注文本的表层表达,导致生成的文本只具有一定的表层多样性,而在语义方面仍然缺乏足够的多样性。此外,现有方法的解码端采用序列模型,训练阶段使用Teacher Forcing容易导致暴露偏差,使得生成文本与源文本的相关性降低。针对上述问题,本文工作内容如下:（1）针对生成文本缺乏语义多样性的问题,本文提出了引入目标端变分网络的文本生成模型,利用目标端变分网络捕捉标注文本的多样化语义,缓解生成文本仅具有表层多样性的问题。另外,本文在编码端构建了张量网络更好地捕捉源文本不同方面的语义。本文分别在问题生成任务和对话生成任务上进行了实验,并从多样性和相关性两个角度对所提出的方法进行了评价。实验结果表明,本文方法产生的文本虽然与源文本的相关性有轻微下降,但多样性明显提升。（2）针对第一部分工作中生成文本相关性降低的问题,本文提出了一种强化学习方法改善生成文本与源文本的相关性。该方法将第一部分工作所提出的模型当做智能体,并构建了一个相关度打分器衡量生成文本与源文本的相关性,将相关性得分当做回报,利用策略梯度方法根据回报信息更新策略参数,使智能体能够生成更具有相关性的文本。实验结果表明,本文提出的强化学习方法提高了生成文本与源文本的相关性,同时也基本保持了生成文本的多样性。