人机对话是自然语言处理领域最具挑战性的任务之一,也是未来实现人机共融社会的基础。近年来,得益于深度学习技术的发展和大数据时代积累的海量数据,基于神经网络的对话生成方法受到了学术界和工业界越来越多的关注。目前基于深度学习的生成式对话模型大多以最大似然估计为训练目标,这种方法容易产生内容单一且不含有意义信息的通用回复。情绪的感知和表达在人与人的交流中起着重要的作用,然而现有的研究主要集中在话语的语义理解上,对情感因素的考虑还相对较少。针对现有方法的不足,本文基于条件变分自编码器技术,研究情感对话生成算法,意在改善回复信息的多样性和在生成回复中嵌入情感因素,以及提高人机对话中的用户体验。本文的具体研究工作如下:1.基于条件变分自编码器与双情绪框架的情感对话生成模型:将Seq2Seq模型与条件变分自编码器进行融合,利用条件变分自编码器的潜在变量学习文本序列中的潜在语义,以提高回复信息的多样性。此外,为了提高模型对情绪的感知能力和表达能力,设计了一个双情绪框架用于捕捉会话中的情绪反应和控制回复的外显情绪。为了识别话语序列中隐含的情绪信息,提出了一个基于Bi LSTM-AT的情绪分类模型。实验表明,本文提出的模型不仅可以产生内容信息多样的回复,还可以生成可控的情绪反应。2.基于Transformer的情感对话生成模型:采用Transformer模型提取文本序列的语义特征,以提高文本序列语义信息的利用率。为了增加回复信息的多样性,将Transformer与条件变分自编码器进行融合,在解码器中引入潜在变量,使模型在解码过程可以利用潜在的语义信息。此外,为了增强模型的共情能力,使用情绪感知编码器对用户情绪信息进行编码,并提出了一个基于BERT的预训练情绪分类模型用于对话语中隐含的情绪信息进行检测。实验表明,本文提出的模型生成能力更强,生成回复的信息更多样,共情能力更强。