作为人机交互的重要方式,对话系统对于人工智能领域的发展具有重要的研究意义和应用价值。开放领域上的智能对话系统可以参与任何话题的交流,做出自然且逻辑通顺的应答。本文围绕“新话题引导”和“内容一致性”这两个问题展开研究。“新话题引导”可以提高对话的趣味性和交互性,而“内容一致性”有助于建立稳固的交流关系。两者相辅相成,共同作用于开放域智能对话系统的打造。针对“新话题引导”问题,本文提出了一种话题引导型的对话模型。启发于人类说话时往往会考虑话题相关的概念,研究者们关注输入上文中蕴含的话题信息,旨在生成话题相关的回复,从而提高回复的信息量。然而,以往的研究忽略了开放域对话中的新话题引出。在人类的对话中,新话题的出现是使对话能够持续更长时间的关键因素。新话题带来的额外信息可以让对话更加多样化和有趣。对话系统也需要具备这种主动引出新聊天话题的能力。以往的主动型对话系统使用关键词来表示目标话题。然而,一个话题可以容纳多个关键词,一个关键词可以反映多个潜在的话题。关键词不足以表达语义丰富的话题。本文提出的模型提供话题相关的一系列词语,用于细粒度地表示话题。同时,本文模型平衡了上文话题和新话题的影响,使得生成回复不仅能够引导到新话题上,而且保持对话的连贯性。实验结果表明,本文模型生成的回复在文本质量以及新话题引出方面都优于现有的模型。针对“内容一致性”问题,本文利用对比学习技术提出了一种对话生成模型的训练方法。对话一致性是对话系统长久以来就存在的问题。一个好的对话模型应该避免在人机交流过程中做出矛盾性的应答。一致性错误,或者矛盾性,指的是对话模型产生了与之前陈述的语句自相矛盾的回复。本文提出的方法最小化目标回复和负向实例之间的相似度,从而降低生成回复中矛盾行为的出现可能性。负向实例和输出回复是矛盾相关的关系。负向实例通过可学习的隐变量噪声产生,其产生过程从外部的评估器中得到矛盾相关的反馈。实验结果表明,本文方法有助于避免产生矛盾性的回复,同时保持回复的流畅性,在自动和人工评估上都优于现有的方法。