对话系统是自然语言处理中一个十分重要的研究领域。随着人工智能的发展,对话系统开始逐步应用于各种领域。构建一个智能的对话系统,更是人工智能领域一个长期的目标。对话系统的研究可以分为两类:任务导向型对话系统以及开放领域对话系统。本文基于对检索得到的回复进行修改的模式,围绕开放领域对话系统中的两个问题,分为两个完整的工作展开研究。(1)对话系统中人称代词不一致的问题。在基于检索的方法构建的对话系统中,检索模型会根据输入的对话上文从预先准备好的回复库中检索出回复。当输入的对话上文和预先准备好的对话的差异逐渐增大时,这种方法会得到越来越多的不恰当的回复。在这些不恰当的回复中,有相当一部分存在人称代词不一致的问题。带有不一致的人称代词的回复会让用户无法理解或使得对话不连贯。这会在一定程度上影响用户体验。为了解决这个问题,我们设计了一个序列修改模型。该模型能根据对话上文,对检索得到的回复进行修改,从而对不一致的人称代词进行修正。此外,我们进一步提出了该模型的两种拓展。实验表明,在修改不一致的人称代词的问题上,序列修改模型的表现要优于现有的修改模型。拓展后的模型的表现则是进一步优于基本模型。(2)对话系统中焦点不一致的问题。对话焦点在人与人的对话中保证了回复与对话上文的相关性。目前,有学者使用修改模型对检索得到的回复进行修改,从而生成更多具有信息量的回复。但是,因为检索得到的回复本身存在对话焦点偏离的问题,而修改模型没有识别和运用对话焦点的设计,因此修改模型无法对检索得到的回复中的对话焦点进行修正,从而倾向于产生偏离对话焦点的回复。这些偏离对话焦点的回复与上文的相关度往往较低。为了解决这个问题,我们提出了一个自动聚焦的回复修改模型。该模型能自动地识别对话中的焦点,并基于焦点对回复进行修改。在识别对话焦点时,我们提出了自约束机制以替代广泛使用的自注意力机制。实验表明,自约束机制在对话焦点检测任务上表现要优于自注意力机制。此外,我们提出的修改模型所生成的回复在各个方面都显著地优于现有模型。