对话系统是当前人机交互领域的研究热点,被广泛应用于在线客服、问答等领域。传统的生成式对话系统由于缺乏海量知识的支撑和对问答解空间搜索范围的约束,还存在如下问题:生成的响应内容多样性指标不高、契合用户需求的程度不高、与真实的响应还有较大的差距等。针对这些问题,本文作出如下研究:（1）通过对比封闭域和开放域对话系统的特点和优缺点发现,开放域的对话系统具有更广泛的应用前景;通过对比检索式和生成式的对话模型得出,生成式的对话系统表现地更为灵活。因此,本文选择设计开放域生成式对话模型。（2）设计基于GRU（Gated Recurrent Unit）的Seq2Seq生成式对话算法、基于GL＿G的生成式对话算法和基于知识图谱的GL＿G生成式对话算法,分别验证双向GRU单元、对话目标序列和知识图谱对生成式对话模型的提升效果。首先,本文提出将原Seq2Seq基线模型中的普通GRU单元替换为双向GRU单元,使模型能够生成连贯的、符合上下文的响应内容,改进后的Seq2Seq模型能在一定程度上避免生成不连贯的回复。其次,引入对话目标序列模块,让模型能够根据目标序列智能引导对话的走向,解决了容易生成较为通用的回复和陷入对话死循环的问题。最后,针对生成的响应内容较为空洞、单一、缺乏多样性等问题,本文提出将知识图谱引入对话模型,为对话提供更多可以借鉴的关键知识,生成响应的过程中能够利用更多的关键词汇。实验结果表明,引入知识图谱后的对话模型在多样性指标Dist-2上相较于GL＿G模型提升了4.0%,生成的内容更加饱满。通过对以上三种算法进行对比分析得出,基于知识图谱的GL＿G算法在各项评估指标上表现最优,但还存在缺乏对问答解空间搜索范围的约束和难以捕捉用户话语背后深层次意图等问题。（3）为了解决以上问题,本文提出设计一种改进型的基于知识图谱的生成式对话系统。在研究及设计了多种改进算法后,最终选择在系统中添加对话场景和参与对话的人物背景信息这两大模块,一方面引入缩小搜索范围的方法,让对话更具针对性;另一方面引入提供背景信息的方法,让模型更了解用户,从而生成更加契合用户需求的响应。在公开的Du Rec Dial数据集上的实验结果表明,引入这两大模块后的UPST＿G算法模型取得了比原基于知识图谱的GL＿G模型更好的效果。其中在检索相关的指标Hits@1、Hits@3上都提升了0.6%,在生成相关的指标F1、BLEU2上分别提升了1.0%、1.4%,并使PPL指标下降了0.3%,在知识利用度相关指标Knowledge P/R/F1上分别提升了1.5%、2.9%和4.2%。另外,通过单轮对话和多轮对话的模式,分析对话模型产生的响应内容,证实了该算法产生的响应内容质量更高。综上所述,基于知识图谱的UPST＿G算法模型相比传统生成式对话算法更有效,证明了该算法在生成式对话系统中的可行性和有效性。