研究基于情感的对话生成模型对于提升人机对话过程中的用户体验具有重要意义。目前,已有研究主要依赖在序列到序列的生成模型中注入情感向量的方式构建基础框架,并衍生出了多种不同情感注入方式的变种模型,例如在模型输入层、输出层引入情感嵌入以注入情感,或者直接引入外部情感词典以鼓励解码过程中更关注情感词等。上述研究解决的重点是给定某一类的情感,让模型根据用户输入语句去生成带有这种情感的回复,其本质上解决了对话过程中的情感生成可控性。但是,上述方法存在的明显缺陷,即模型并没有考虑对方言语当中的情感而自动做出情绪选择,不具备情绪感知和预测能力,因此在实际应用时需要依赖人工判断并指定情感,增加了线上自动化部署的难度。本文针对现有模型存在问题,重点研究如何更好的建模开放领域下的单轮情感对话,因此本文主要工作内容如下:1、本文提出了一种基于自注意力情感对话生成模型（EACM）,该模型能够自动感知情感、管理情感和表达情感。具体而言,该算法模型首先采用自注意力机制、情感和语义词嵌入、融合网络等处理用户输入语句并抽取有效的语义和情感信息,然后利用预测网络进行情感分布进行估计,最后利用情感偏差注意力机制生成带有特定情感的回复。2、本文提出了一种基于先后验分布估计的情感对话生成模型（TG-EACM）,该模型引入先后验网络获取历史数据当中的经验信息,利用后验分布蕴含的丰富情感交互模式信息指导先验网络的学习,并设计KL散度为辅助目标函数用于多任务学习,提升情感预测准确率,实现更加准确的对话情感交互建模。3、本文通过基线对比实验、模块消融实验证明本文提出的模型能够在BLEU-n、Distinct-n等自动指标和情感和语义两方面的评测指标上超越现有模型,同时本问提出的多种机制在增加情感预测准确率、降低先后验网络分布差异性、增加模型收敛速率等方面十分有效。通过对模型实际产生的情感回复进行样例分析,能够直观的看到本文提出的模型能够有效的感知用户情绪并产生带有恰当情感的回复,在用户体验和闲聊舒适度上超越现有对话模型。