随着人工智能的发展,作为自然语言处理的核心任务之一的对话系统受到越来越多学者和专家的重视。近年来,智能客服、聊天机器人等智能产品繁荣发展,也体现出人们在实际生活中对智能对话系统的需求。对话系统可以分为以完成具体任务为目的的任务导向型对话系统和提供闲聊服务的非任务导向型对话系统（也叫开放域对话对话系统）。为了使机器像人一样在聊天中保持个性一致,个性信息引导的对话系统开始出现。个性信息可以分为键值对表示的结构化个性信息和自然语句描述的非结构化个性信息,其中非结构化个性信息机器更难理解和处理。非结构化个性信息引导的对话生成系统通过使用预定义的自然语言描述的个性信息（例如,“我是一个素食主义者”）,在生成的回复中有效地保持了个性一致性。然而,预定义的个性信息描述通常很短,并且仅限于几个描述性词汇,这使得将它们与对话联系起来的难度很大。因为这个原因,现有的方法要么难以将个性化信息融入到回复中,要么是在生成个性一致回复的时候过度使用个性信息,导致其使用不恰当。为了解决这个问题,本文通过分析人得到高质量回复的思考过程,提出了一个神经主题扩展框架,即个性化信息的扩展和应用（PEE）,它能够通过语义相关性来扩展预定义的用户个性信息,然后利用原来的和扩展的个性化信息一起生成个性化回复。PEE模型包括两个阶段:个性化信息的扩展阶段和个性化信息应用阶段。个性化信息扩展部分,模型使用基于变分自编码（VAE）的主题模型对已有的对话语料库进行挖掘和相关搜索,以此来学习扩展预定义的个性化信息。个性化信息应用部分,模型通过使用预定义和扩展的两种个性信息来学习生成个性一致的回复。个性化信息应用包括多源序列编码器、个性化信息检索和个性化引导的回复解码器三部分。此外,为了使模型在个性信息应用部分能够更准确地学习到如何使用个性化信息,本文还设计了两个个性引导的损失函数:个性化引导的匹配（P-Match）损失函数和个性化引导的词袋（P-BoWs）损失函数,他们分别在个性化信息检索和解码器中监督个性化信息的选择。本文在数据集persona-chat上进行了大量实验,此外还引入一个额外的数据集用于主题模型。本文模型PEE与现有的主流模型在自动指标和人工指标上都有显著的提升。本文在消融实验中分析了个性化信息扩展以及两个个性化信息引导的损失函数的在模型中的作用。此外,本文还通过个性信息利用率实验和实例分析验证了个性化信息的作用,尤其是解码器中互增强多跳记忆检索机制中的作用。