近些年来,人机对话系统一直是人工智能领域的重要研究方向。在对话系统中,存在各种研究问题,其中回复生成是一个很重要的任务。在回复生成任务中有一个很常见同时也很严重的问题,即生成模型会产生不一致回复或万能回复现象。人机对话模型的个性化建模(Persona)是解决上述问题的一个有效手段。Persona主要研究人机对话系统与用户的关系以及如何产生个性化的回复。此外,将语言风格应用于生成的文本,也是对话生成中一个独特而有趣的问题。大多数研究人员认为它是人物角色的一部分,但也有人认为它是语言的属性,因此应该单独处理。在人机对话技术中,说话风格或写作风格是一个人的个性属性,所以它在生成回复时应该受限于人物造型的约束。之前也有一些尝试将角色建模和风格建模问题应用到人机对话领域,但基本都是独立地处理两个问题。这样会导致问题变得很复杂,需要分开解决每个问题,但单独的角色不能使对话系统更自然,文本或语言风格都不能高对话质量。通过可以通过将它们组合在一个系统中,从而使系统能产生保持一致和礼貌的回复。本论文出了一个可以同时建模个性和风格对话生成模型,从而可以高回复生成的质量。我们出了3个名为Dialog-Model,Persona-Model和Politeness-Model的模型。我们在三个模型各自的数据集上独立地训练它们,然后在解码时我们综合考虑了三种模型。我们的Dialog和Persona模型是标准序列到序列(Seq2Seq)模型,编码器都是由两层LSTM组成,而我们的Politeness模型使用了自编码器(Auto-Enc)。我们使用了共享词汇表,共享是通过综合统计三种数据集实现的,用于训练和解码这些模型。我们所做的工作在增强角色和语言风格信息时,有着明显的效果。相比与单一的回复,我们的模型也能产生更加多样的回复。