随着人工智能和自然语言处理技术的发展,闲聊型对话系统的研究发展迅速。其中生成相关的对话内容是该任务的基本目标,而恰当的情感交互可以使系统更加智能。因此,情感对话生成,即生成蕴含情感的合理回复,成为了对话系统研究的热点和难点。当前情感对话生成研究通常根据对话内容和给定的情感标签,预测并生成包含情感的对话。该研究的前提需要给定历史对话的情感标签,然而在现实场景中难以直接获取这类情感标签。针对这一问题,本文将情感识别模型融入情感对话生成任务中,并完成后续的迁移学习研究。主要研究工作如下:本文提出了融合情感识别的对话生成方法,融合了情感识别模型与对话生成模型。具体来说,首先采用情感识别模型识别历史对话的情感信息,然后将得到的历史情感标签作为异质图结构中的一类结点,得到结合历史话语和情感信息的图编码表征,最后经过解码器生成蕴含合适情感的回复序列,解决了模型在真实场景中无法自动获取情感标签的问题。针对融合方法,我们将两个模型的词向量编码层与句子级特征提取层分别合并,建立了基于隐层共享的联合训练融合机制。通过对比实验,证明联合训练机制比独立训练效果更优,与基线模型相比,该方法在当前情感预测的准确率和对话内容的生成质量上具有明显的优势,适用于各类真实场景中的对话生成任务。进一步,本文提出了基于迁移学习的角色对话生成方法。为了使情感对话生成模型具备独特的角色性格,我们建立了针对角色性格的编码层,并在异质图结构中增加了角色结点,同时将当角色性格融入解码阶段,生成与当前角色相符的情感回复。由于包含角色标注的数据集规模较小,我们首先在数据规模较大的源域数据集上进行预训练,再将共享参数和模型结构迁移到包含角色标注的目标域数据集进行微调训练。经实验证明,该迁移学习方法提升了模型在小规模的角色标注数据集上的对话生成效果,与基线模型相比,该方法在困惑度和多样性指标上的效果大幅提升。经过超参实验分析,证明将角色标签映射到高维角色性格层明显提高了模型对当前情感预测的准确性。