对话系统是人工智能领域一个非常重要的任务,它以自然语言为媒介与人类进行交互,在客服、知识服务、个人助手、游戏娱乐等场景中有着广泛应用。对话系统可以帮助政府和企业节约人力资源、提升人机交互效率;对个人用户进行情感陪伴等。对话系统研究的进步,对人工智能基础研究和相关产业的发展都有至关重要的作用。虽然对话系统的研究已经取得了不少成果,但是依然有很多问题丞待解决,本文针对知识低质量、训练低资源、知识碎片化和研究孤立化四个在对话系统的研究与应用中所面临的挑战展开研究,取得了一定具有理论意义和应用价值的研究成果。其中,知识低质量具体表现在与对话相关的背景知识的错误或缺失;训练低资源表现在模型训练所需数据量和计算资源有限;知识碎片化体现在对话所需的知识难以得到有效的组织和表示;研究孤立化体现在闲聊对话系统与任务型对话系统的方法相互独立。本文的研究内容包括:·可修正与感知知识的对话框架。针对知识低质量的挑战,本文根据历史对话和原始背景知识对背景知识进行修正,并将该任务建模为序列到序列的生成任务。针对训练低资源的挑战,本文提出将张量分解与参数共享机制引入背景知识修正模型,简化模型参数。进一步,本文将背景知识修正与基于知识的回复选择相结合,提出可修正与感知知识的对话框架BKRI。相较于传统方法,BKRI可以提供更符合真实背景知识与用户意图的回复。·基于有权异质图的疾病诊断对话系统。针对知识碎片化的挑战,本文将碎片知识形式化为一个有权异质图,并提出一个基于统计特征的节点间权重计算方式。进一步,我们将图神经网络与深度强化学习相结合,提出Graph-DQN模型用于对话管理。在疾病诊断对话场景的实验结果表明,本文提出的基于有权异质图的对话系统比基线方法有更高的诊断准确率,且对具有相似症状的疾病的区分度更高,完成任务的对话轮数更少。·闲聊与任务型通用对话系统。针对研究孤立化的挑战,本文提出基于自回归语言模型的通用对话系统UniDS。通过为闲聊与任务型对话设计通用的对话数据范式,我们使得闲聊与任务型对话可以在一个模型中进行训练与推理。进一步,我们提出从闲聊对话系统到通用对话系统的两阶段训练方法。实验结果表明,在不需要向现有对话模型增加参数的情况下,UniDS在闲聊和任务型对话上都取得了当前最优效果。此外,UniDS对对话中的噪声具有良好的鲁棒性,且具有一定的在不同类型对话间进行切换的能力。