文本生成,将不同形式的输入转化为文本形式的输出,赋予了计算机与人交流的能力,是近期自然语言处理方向研究的热点领域。受计算能力的快速发展,基于深度学习的文本生成技术取得了成功。随着互联网产业的蓬勃发展,文本生成的诸多方向,如图片描述生成、神经机器翻译,文本摘要也得到了广泛的运用。大量场景为研究者提供了扎实的数据基础。在这些方向中由于贴近用户需要,个性化文本生成具有很强的实用性和社会价值。尽管对于一般的文本生成问题,已经有了比较好的解决办法。但个性化文本生成问题还未得到很好的解决:1)忽略了用户词语偏好的动态性,没有捕捉用户词语偏好随时间的改变并进行建模2)未考虑用户词语偏好的迁移性,用户在新的领域没有数据,如何利用原有数据构建用户表征仍存许多问题。本文从捕捉用户写作动态性和迁移性,提升用户表征,对用户个性化的文本生成问题进行了探索研究。本文的主要工作概述如下:在用户个性化图片描述生成任务中,之前的工作集中在使用用户高频词,以及用户属性信息或简单的用户表示,忽视了用户表征的动态性。本文提出多模态层次化生成模型（MHTN）来解决这一问题。本文从用户短期偏好对目标文本的分析开始着手,验证用户文本短期偏好对目标文本的贡献。用层次化的基于自注意力机制的Transformer模型对用户短期文本偏好,用户长期文本偏好以及图像特征进行建模。在捕捉用户短期文本偏好的过程中本文除了用自注意力机制获得文本表示外,还使用用户特征对短期偏好加以选择,同时融入了时间差表示机制,提升了用户短期特征的表征效果。在真实数据集上的实验说明,本文提出的生成方法取得了良好的效果,展示了构建具有动态性用户表征的作用。在跨领域个性化评论生成任务中,源领域用户在目标领域缺少数据的这一问题很少被涉及。本文关注用户表征可以从源领域迁移的特点,使用迁移学习的思想提出了跨领域个性化评论生成模型（CDPG）。本文基于领域判别器,对用户源领域的数据提取出领域无关的特征向量,通过与物品以及用户当前目标短语表示互相关注的方式,构建用户表示。此外在解码器的部分为了高效利用输入的字符以及当前物品的信息,融入了基于输入词汇的复制机制。在多个公开数据集上进行的实验结果表明,本文提出的方法在生成效果上有明显的提升,展示了用户表征的可迁移性。综上所述,本文在个性化文本生成的用户表征提升的动态性和迁移性方面,提出了两个新颖的模型,在多个公开数据集进行的实验说明,捕捉用户写作动态性和迁移性可以从不同方面提升用户的表征,提高了文本生成的效果。