对话在类别上分为单轮和多轮,一般是以一问一答的方式进行。对话模型的实现方式有三种:第一种是规则匹配的对话模型,即依赖于人工制定的规则对问题进行相应的回复的对话模型,第二种是基于检索的对话模型,即通过相似度计算找到正确的回复,第三种是基于生成的对话模型,即依赖给出的上下文自动生成回复的对话模型。目前主要使用的对话模型为检索式对话模型和生成式对话模型,检索式对话模型和生成式对话模型的优点体现在不同方面,所以本文希望研究出能更好的发挥各自优点的检索式对话模型和生成式对话模型,同时找到适合的结合方式,结合两种对话模型各自的优点以最终提高对话模型的性能,并从以下三个方向进行了研究:本文首先对基于检索方式的对话模型进行了研究,在Baseline方面,研究了基于TF-IDF的传统检索模型以及利用循环神经网络的检索对话模型,即通过循环神经网络得到句子的表示,之后再利用点积等相似度计算的方法得到问题和候选回复的相似度以选取分数最高的回复,最后提出了一种利用自注意力机制对句子进行编码得到更深的向量表示的多视角检索对话模型。之后本文对基于生成方式的对话模型进行了研究,在Baseline方面,研究了序列到序列的生成对话模型,使用LSTM与BiLSTM两种网络作为编解码模型结构,之后,研究了带有注意力机制的序列生成对话模型,最后本文研究了外部知识对模型生成结果的影响,分别研究了利用外部信息对模型结果的影响,利用上下文信息以及两者结合对模型结果的影响,同时研究了Teacher Force等训练技巧是如何提升模型效果的。最后本文对检索与生成相结合的对话模型进行了研究,在结合方式上,本文研究了两种不同的检索与生成结合的方式:第一种是通过设置阈值,以阈值作为分界值,判断检索答案得分与阈值的大小,决定采用何种答案的结合方式,第二种是将生成模型的信息融合入检索模型当中,并同时将检索模型的信息融合入生成模型当中,最终以提升模型的效果,并实验对比了两种融合方式的效果。