开放域情感对话旨在非任务型的闲聊式对话中,为机器生成的应答语句赋予相应情感,从而使人机对话交互更加自然、亲切和生动。伴随着社交网络的迅猛发展,海量的对话语料为对话系统提供了丰富的数据资源支撑,而计算机硬件和深度学习的发展又为对话生成提供了强大的技术支持。近年来,对话系统在学术界和工业界已受到得越来越多的青睐和关注。在人机对话发展中,赋予对话系统情感感知和互动是一个重要方面,然而目前解决这一问题也存在着诸多困难和挑战。首先,在数据方面需要大规模的具有情感标注的对话语料。其次,在对话生成的质量上如何做到流畅通顺、上下文相关,另外如何使得生成的对话蕴含相应的情感色彩。最后,开放域对话并无唯一标准的应答语句,如何对机器生成的对话进行评测是面临的又一难题。本文采用了NLPCC 2017情感对话生成任务中数据集,利用深度学习模型解决情感对话生成中的挑战,尝试和采用了多种评测指标和方法。具体来说,本文在带有情感标签的大规模对话语料集上,利用深度学习技术训练序列到序列模型生成对话语句,在此基础上,使用预训练的情感监督模型为序列到序列模型生成的应答语句赋予相应情感。评测上采用了自动评测指标和人工评测的方法。本文的具体工作如下:本文提出了一种基于深度学习的具有情感监督的开放域对话生成模型。本文先采用单词和字符结合的方法为对话的输入语句和回复语句进行词向量表示,利用双向LSTM对输入语句词向量进行编码得到隐向量,再使用LSTM对隐向量解码来预测回复语句。此外,预训练过的情感分类器可辅助话模型对对话文本进行情感分类。本文基于此进行了两类情感对话任务的研究,分别是指定情感的对话生成和非指定情感的对话生成。指定情感的对话生成中可为回复语句赋予五类具体情感,分别是快乐、悲伤、愤怒、厌恶和喜欢。借助情感分类器得到生成回复在情感向量空间上的表示,计算其与指定情感对应的情感向量的余弦相似度,使之在情感向量空间上不断接近指定情感向量,从而生成具有指定情感的回复语句。非指定情感任务是生成与当前输入语句情感相近或相远的回复语句。借助情感分类器分别得到当前输入语句和生成的回复语句在情感空间上的向量,计算其二者的余弦相似度,若最小化该相似度则生成情感相近的对话,反之,最大化则生成情感距离相远的对话。