智能对话系统是如今自然语言处理领域的研究热点之一。本文主要面向电子商务的客服对话系统,根据对话历史记录进行建模,在给定用户的提问内容后,为客服工作人员推荐备选回答。本工作从应用上,降低客服工作人员回复时的打字时间,提升其工作效率,改善用户体验;从理论上,将对话系统技术与信息推荐技术进行融合,为对话模型引入个性化协同学习机制。本文所解决的主要问题是中小型电商的对话系统学习所面临的数据稀疏问题。传统对话模型主要面对海量历史数据,通过神经网络提取词的语义特征,从已有的问答对中检索或直接通过模型自动生成回复内容。而对于大部分中小型电商,历史对话记录远远少于大型热门电商,不足以训练准确的对话系统。为解决该问题,本文引入信息推荐中的张量分解技术,将多个数据稀疏的中小型电商对话模型协同学习。目的是通过共享模型参数,挖掘共性信息,并通过学习个性化向量,刻画每家电商的个性信息,从而缓解数据稀疏问题。具体内容包括:1.针对历史记录中存在相似问题的情况,提出检索式对话回复推荐模型。该模型将循环神经网络中的长短记忆模型(LSTM)与张量分解进行融合,通过共享参数的LSTM对用户问题及工作人员答案进行语义向量化表示,通过张量分解为每一家电商学习个性化向量,从而协同学习所有模型。基于真实客服数据的实验表明,多个对话模型协同学习与单个对话模型独立学习相比,在第一位置的平均召回率(recall@1)指标上能够提升5.3%,在数据更为稀疏的子数据集上,能够提升12.5%。2.针对历史记录中不存在相似问题的情况,提出生成式对话回复推荐模型。由于检索式回复推荐模型受到历史数据的制约,当历史数据中不包含相似问题时,被检索库里所有答案均不准确,为此,作为该情况下检索模型的补充,本课题开展生成式推荐模型的研究。所提出模型将基于LSTM的序列到序列(Seq2Seq)模型与张量分解进行融合,在编码的时候融入电商的个性化向量,并使用注意力机制进行解码生成回复文本信息。基于真实客服数据的实验表明,协同建模所有Seq2Seq模型与单独建立模型相比,在困惑度指标上能够提升5.13%,在数据更为稀疏的子数据集上,能够提升12.8%。