近年来,随着人工智能领域的快速发展,人机对话系统可以与人类进行流畅的对话,使人从重复的工作中解脱出来,对人机交互方式的变革具有重大的意义,是人工智能领域以及自然语言处理中重要的研究任务。其中,检索式对话是对话系统的一个重要实现。与生成式对话系统不同,检索式对话系统模拟搜索引擎的工作方式,从答案集合中查找所需回复。根据对话历史的轮数,检索式对话可分为单轮检索式对话和多轮检索式对话。多轮检索式对话系统的目标是根据对话历史信息(Context)和当前问题(Query),从候选答案池(Candidate Answer Pool)中选出最合适的答案,形成流畅自然的对话。多轮检索式对话系统是人类在探索类似人类智能的机器或系统的过程中重要的研究任务,在智能客服、个人助手等领域广泛应用,具有重要的研究意义和应用价值。早期的检索式对话的方法主要是基于规则的方法、基于统计的方法或基于深度学习的方法。但是,这些方法主要集中于提取对话历史和候选答案之间的信息,解决单轮或简单的多轮对话。当面对更加贴近真实对话和更加复杂的对话场景时,例如多轮对话中多个参与者和多个主题对话纠缠在一起等情况,这些方法并不能利用多轮对话的特点,不能根据不同的主题对话提取有效的特征,对其中对话历史的语义信息提取不足,准确率较低。为了解决以上问题,本文提出了基于语义增强的多轮检索式对话方法,主要的研究内容和创新点如下:(1)提出了基于会话匹配网络的检索式对话方法。受对话解耦思想的启发,通过会话匹配网络对句子中的话题信息进行建模,提取对话级别的知识融入到候选答案的筛选过程中。(2)提出了增强上下文语义的检索式对话方法。通过从多个角度提取对话中的指示信息,包括硬指示信息(Hard Indicative Utterance,HIU)、软指示信息(Soft Indicative Utterance,SIU)和对话解耦策略(Context Disentanglement),将这些指示信息融入语义向量中,增强对话系统的语义信息。综上所述,本文面对多轮检索式对话系统中语义信息提取不足的缺陷,提出了融合会话匹配网络和对上下文指示信息进行建模的方法来增强检索式对话系统的语义信息,一方面,通过会话匹配网络对对话历史中的话题信息进行建模,增强同一话题句子之间的语义信息传递,减少冗余信息,间接地缩短对话历史;另一方面,提取句子中的指示信息,融入到句子向量中,增强对话系统的语义信息。实验表明,会话匹配网络能够提取句子中的话题信息,对上下文知识信息进行建模能够增强语义信息,综合提升了对话系统的准确度。