以深度学习为代表的新一代人工智能技术的兴起,推动了自然语言处理技术的蓬勃发展。作为自然语言处理技术的典型应用,人机会话系统是当前学术界和产业界研究的热点。传统的生成式对话系统受限于缺乏外部知识,存在生成句子单一、对话互动能力差等一系列问题。近年来,知识驱动的人工智能受到学者的广泛关注。本论文在生成式会话系统中引入知识,提升了会话质量。本论文的具体研究内容如下:1.提出了基于知识推理的生成式对话模型。针对生成过程中知识的利用问题,模型设计了基于注意力机制的知识选择器和基于注意力机制的知识实体推理器,基于注意力机制的知识选择器强化上下文语义编码;基于注意力机制的知识实体推理器通过全局知识信息融合和知识实体推理过程增加知识实体预测精确度,帮助丰富回答;针对现有数据集存在不同结构数据的问题,模型设计了异构知识处理器,使模型能够支持结构化知识和连续知识输入,通过转换网络消除语义编码的空间不一致性;同时设计基于知识推理的解码器。最后在Ducov数据集上进行对比实验,证实了模型能够使生成句子包含外部知识,提高生成质量。2.提出了知识指针生成对话模型,改善基于知识推理的生成式对话模型中生成句子知识的覆盖率不高的问题。模型从两个方面进行改进,其一是针对注意力机制不能充分捕捉较长的上下文和知识之间联系的问题,结合双向注意力机制改善了全局知识信息融合向量,增加细粒度语义特征从而增强知识实体预测准确率。二是改进了pointer-generator机制,我们设计了输入词概率分布的生成、知识实体词概率分布的生成、词表词概率分布的生成以及对应的解码器和损失函数。通过实验分析证实了知识指针网络能够有效解决知识覆盖率不高的问题,使生成信息更丰富的回答,同时能改善OOV问题,进一步提升了生成响应的质量。3.基于以上工作,论文设计和实现了面向娱乐电影领域的人机对话系统。测试表明,本文提出的模型在会话表达丰富性、改善句子生成质量等方面均有实际效果,为进一步的研究奠定了基础。