省略恢复是自然语言处理领域的一项关键任务,该任务针对存在省略现象的语句进行内容填充,从而使得语句的句式结构和内容完整,语义信息连贯。对话是自然语言中一种特殊的表达形式,相较于其他自然语言形式,人们在对话中的表述更加的随意和简练,难以被机器理解。而面向对话领域的省略恢复能够补充缺失的语义信息,促进了对话主题推进的整体把握,为问答系统、对话系统等其他下游自然语言应用提供极为重要的基础支撑。近年来,互联网的高速发展产生了海量的数据,基于这些数据之上的自动问答、人机对话等自然语言处理的应用成为热门的研究方向。但对于对话而言,有标语料极少,可借鉴的相关工作较少,因此面向对话领域的省略恢复研究存在许多未知的挑战。针对这一问题,本文开展了一系列研究工作,具体包括以下几个方面:(1)针对单轮对话的省略恢复问题,提出了一种端到端的序列到序列的神经网络模型。该模型双向上对序列进行编码,使用注意力机制保持语义“软对齐”,采用生成式解码单元得到补全后的序列。实验结果证明该方法在单轮对话的省略恢复任务中能够取得较好的效果,应对复杂的省略类型具有很好的鲁棒性。(2)针对序列到序列模型中存在的系列问题进行了改进,提出了一种细粒度的语义表征方式和一种融入序列约束信息的解码算法。改进模型首先在词嵌入层使用了一种结合句内词语字符信息的细粒度的词语表征方式;其次相比双向编码,增加了句内词语自注意力信息,提高了编码层的特征抽取能力。最后针对传统生成式解码算法存在的曝光误差和语义偏离的问题给出了一种带序列约束信息的解码算法。实验结果证明上述三方面的改进能有效提升单轮对话中省略恢复的性能。(3)针对多轮对话的省略恢复问题,提出了一种动态拷贝和掩码机制相结合的端到端神经网络模型。该模型使用门控机制自适应地融合拷贝模式和生成模式词语的概率分布,使用两种序列的边界信息来提高解码层省略恢复的准确度。实验结果证明了该模型的有效性。