自然语言处理（Natural Language Processing,NLP）和人工智能领域最复杂的任务之一就是自然语言生成。教会机器如何像人类一样进行交谈,自动生成连贯且易于理解的语言一直是学术界和行业研究的重要方向之一。近年来,学术界和行业研究人员发表的相关研究文章的数量空前增长。本文归纳了国内外自然语言生成的研究成果。本文对评论生成任务进行归纳总结,说明了评论生成在自然语言生成中的重要性并阐述了自然语言生成常用的性能指标。目前,评论生成任务的研究并没有充分利用输入的用户信息,所生成评论的多样性和个性化仍有不足。基于目前评论生成的问题,本文所做的工作如下:（1）当前的评论生成研究具有相对简单的输入信息,输出的评论差异过小,本文基于用户信息建立编码器解码器模型,在模型中引入注意力机制,捕捉用户与文章之间的共同关注点,模型输入既包括了用户的数字化特征信息,也包括用户评论关键词作为软约束;为了得到更有多样性的输出结果,采用改进的beam search搜索算法,通过添加惩罚项缓解重复性问题。（2）用户信息既包含数字化特征信息也包括文本序列的历史评论信息,当前评论生成更多关注简单的数字化特征,在生成内容个性化方面仍有不足。在研究了关键词软约束对评论生成的影响后,本文建立编码器解码器模型,关注用户历史评论信息,更加充分地利用用户信息,由于文本携带的信息多于数字,因此在个性化方面更优。此外,为了生成评论的多样性,在模型结构中加入门控记忆模块,动态表达用户个性从而增强多样性。（3）目前评论生成多是基于循环神经网络的编码器解码器模型,基于transformer预训练模型还很少研究。本文使用最新的GPT-2模型,GPT-2模型在文本生成任务中性能优于其他基于transformer的预训练模型。为了解决多样性问题,采用组合top-k与top-p解码使模型解码策略有一定的多样性,可重复生成。此外,模型采用warm up优化学习率并用Adam W加快收敛速度,并解决参数过拟合问题。综上所述,本文使用多种方法,在评论生成任务中,通过对模型结构解码策略等研究解决评论生成中的多样性与个性化问题,提高评论生成的性能。