传统的仿人机器人对话系统一般基于模板构建,可以在设定的对话领域内做出较好的回答,但无法对领域外的内容生成较好的回复。对话系统的规则依赖人工设计,缺乏对交互对象的情感检测。针对传统方法的不足,本文基于深度神经网络设计了情感分析模型用以检测交互对象情感,并搭建了仿人机器人的开放域对话系统。本文的主要研究内容和创新点有:(1)基于文本的情感分析模型。以“国际自然语言处理和中文计算会议”(NPLCC)2013、2014年公布的“微博跨语言情感识别数据”作为情感分析模型数据集,本文评估了循环神经网络、卷积神经网络、支持向量机、朴素贝叶斯等算法的分类性能,比较了算法的优劣和分类结果的相关性。为了集成各个算法的优点,进一步提高模型的准确率,本文实验对比了软投票策略和Stacking两种集成策略。最终情感分析模型采用Stacking形式构建,F1值高达0.804,可较好的检测情感状态。(2)基于注意力机制的多指标对话清洗模型。针对网络上对话数据库质量低、噪声大等缺陷,本文提出基于注意力机制的多指标对话清洗模型用于对话数据的无监督清洗。区别于现有模型,该模型的创新点在于集成了双层注意力机制,并采用多个指标判断问答对是否具有语言相关性。实验结果表明,多指标模型相比于传统模型在数据集上有更高的准确率,能够降低数据清洗的时间成本。通过热力图可视化注意力机制权重,实验验证了模型良好的可解释性。(3)开放域对话系统。本文基于序列到序列网络(Sequence to sequence,Seq2seq)构建了仿人机器人的对话模型。为解决模型会出现无意义回答的问题,使用了最大互信息作为对话模型的目标函数。本文通过集成对话模型、情感分析模型、语音识别模块、语音合成模块,构建了对话系统。实验表明,对话系统能够生成优质的回答并在对话中进行交互对象的情感监测。