新时代的不断发展,计算机技术不断进步,人工智能、大数据等技术高速的发展。深度学习广泛应用于自然语言处理、中文分词技术、词向量技术等领域。同时大量的智能音箱和在线客服进入人们的生活。聊天机器人越来越受欢迎,拥有极大的市场发展潜力。当前在聊天机器人的开发模型设计中,最普遍的深度学习设计方案就是Seq2Seq模型,但是用传统的Seq2Seq模型直接设计聊天机器人,总是会出现许多问题。如无法进行多轮次对话、经常产生无意义的“安全回复”等缺陷等各种问题。对传统模型方案Seq2Seq出现的不足,构建一个全新的聊天机器人对话模型,将双向长短时记忆网络（Bi LSTM）、注意力机制（Attention）、传统Seq2Seq模型和Beam Search算法相结合得到的新的聊天机器人对话模型,同时在此基础上加入一个检索式对话模型。通过生成式对话模型可以跟用户进行日常的闲聊,而检索式模型可以对用户的消息进行检索相似度最好的句子来进行准确的回复。具体的研究工作如下:首先研究了中文自动分词、词性标注和词向量等各种关键知识。在对词语进行表达时,如果两个词语之间意思非常接近,那么简单的采用传统的方式很容易形成歧义。当面对处理数量极大的数据时,会出现向量维度过大的问题。通过自动分词最大限度的消除词语的歧义带来的误差。并使用语言模型将用户输入的文本信息转换成词向量,使得词向量带有语义信息。然后分析了传统Seq2Seq模型在处理长序列问题时丢失部分语义的问题,提出了一种将注意力机制与双向长短时记忆网络模型相结合的方法。在过去的模型中编码器和解码器之间只使用一个长度固定的向量。通过应用注意力机制将编码器输入的消息的中间输出结果保留下来,让模型有选择的学习,当模型进行信息输出时关联输入和输出序列,这样即使是较长的问题依然可以保证信息的完整性。并在最后结合Beam Search算法减少无意义的“安全回复”,让回复更加有效、多样。同时对比LSTM与Bi LSTM得出,如果采用Bi LSTM可以实现语义的双向预测,这样也可以有效的解决了部分语义丢失。而LSTM无法对信息从后到前进行编码。同时在生成式回复模型的基础上结合一个检索式回复模型,针对高校相关信息回复,检索式回复模型更加准确。使聊天机器人同时兼顾日常闲聊和特定领域的信息获取功能。最后实现了一个运行在微信公众号的聊天机器人。将本文提到的模型接入到微信公号平台中去,能够让用户操作方便,符合平时使用习惯。只需要关注微信公众号就可以同聊天机器人进行相关的信息获取和日常闲聊的交流。