在自然语言处理的各种领域中,人机交互是近期以来人工智能领域比较热门的研究方向。人机对话也是比较有挑战性的任务,其中涉及到的技术有很多。人机对话分为单轮对话和多轮对话,单轮和多轮是指人机进行交互的次数,其中多轮对话就是人机进行多次交互,更适用于真实场景,且对自然语言生成能力的要求更高。开放领域的对话是指不限制特定范围的闲聊对话。本文重点研究了基于生成式对抗网络的开放领域多轮对话,探索并实验了基于生成式对抗网络的对话系统引入融合注意力机制是如何设计及训练的。以下是本文的两点工作内容及成果的简单介绍:针对于多轮对话回复中细节和逻辑与前文内容冲突的问题进行了改善,本文提出了融合了多注意力机制的多轮对话的检索式模型。该方法使用自注意力,多头注意力机制提取不同表示子空间里的信息并且使用交叉注意力机制作为另外一种编码方式,引入局部注意力使对话上下文每句对应不同的权重,最后使用卷积提取的特征经过激活函数计算匹配分数。实验结果显示本文的模型在多个数据集上指标优于已有最好的模型,体现了检索式模型精准的关注细节,区分正负样本的能力。针对于对话回复中安全回复的倾向性,本文提出了由检索式模型辅助生成式模型的多轮对话。该方法的检索式模型使用前文预训练后的检索模型,生成式对抗网络的部分在生成器模型内添加了一个近似编码层,该编码是通过解码器的softmax层获得的分布概率乘以相应的单词向量来获得。最终本文将生成模型和判别模型联合训练。实验结果显示,在Ubuntu的三轮对话数据集中,贪婪度量,平均度量和极值度量的指标均高于基础模型,解决文本数据的导数反向传播的问题,加强了对多轮数据前文的综合理解,避免了生成器生成安全回复,证明了所提出的模型可以通过模仿输入的句子来产生真实的句子,并且学习到的潜在表示空间可以连续地编码合理的句子。