开放域对话系统是人机交互、智能科学、自然语言处理等学科关注的重要任务之一,因其在闲聊机器人,虚拟个人助理,医疗支持等领域的优秀商业价值而受到学术界和工业界的广泛关注。开放域对话旨在让机器理解并熟练运用自然语言,以人类语言沟通的思维逻辑与用户进行交互,要求机器生成的语句不仅需要符合上下文语义和基本的语法规则,还必须要反映出足够多样的内容。语言的表达与知识密不可分,在对话中借用背景知识进行思考是人类交流智能的重要特征,近年来,研究人员致力于在开放域对话系统中引入外部知识库来弥合机器与人的背景知识差距,以此来提升对话模型的性能。然而,现有的知识驱动对话模型在复杂场景下的性能表现依然不能令人满意,现存工作主要存在以下两点不足:1)知识选择的准确率低下,在面临对话主题转移等复杂对话场景时,现有的知识选择方法缺乏推理能力,难以根据当前对话泛化到正确的知识;2)知识融合的效率不足,模型缺少对知识内部细节的动态关注,难以生成知识类等稀有词汇。本文将以非结构化知识在开放域对话系统中的知识选择和知识融合两部分为切入点,对知识驱动的开放域对话方法展开研究,主要研究内容包括:1.提出了一种带有一跳推理机制的发散性知识选择方法,用于改善模型在复杂对话场景下知识选择的鲁棒性和泛化能力。为了解决主题转移导致的知识选择边界问题,本文构建了一种基于主题关联信息的知识优化模块,并设计了教学框架和内容约束来指导和限制关联信息的推理过程,知识优化用于完善不同知识条目之间的主题差距,降低主题转移的影响,提升知识选择在复杂对话场景下的准确性和鲁棒性。2.提出了一种知识感知的对话生成方法,用于提升模型在解码阶段的知识融合效率。该方法在Transformer解码器中引入了一个新颖的知识注意力子层,利用注意力机制建模知识与回复之间的相关性,在解码过程中动态的关注知识内部细节,捕捉知识中的关键信息。其次,在回复词预测的过程中,该方法还包含一种附带拷贝机制的双源指针网络,通过词语复制的方式将知识中的稀有词汇直接嵌入到回复中,加快了模型收敛速度,增强了模型生成稀疏词汇的能力。本文在最近发布的维基百科知识基准对话数据集Wizard-of-Wikipedia上实验验证了上述所提方法的有效性。实验结果表明,相较于目前的主流知识驱动对话方法,本文所提的方法在量化及人工等多种评价指标上均取得领先,所提方法相比于最优基线模型在知识准确率和知识融合效率方面分别有着12.7%和9.6%的性能提升,可以生成更加自然通顺,知识内容丰富的回复语句。