随着人机对话技术的发展,越来越多的企业推出了他们的认知型服务类产品,比如VPA、智能音箱、导购机器人等。但这些实际应用中机器大多只能被动响应用户表达,缺失对用户偏好的认知且不具备自主对话的意识。因此如何使得机器主动且自然的引导对话方向进行服务推荐从而满足用户需求至关重要。为解决缺失用户认知、无法引导对话和回复生成异常等问题,机器需要规划对话目标序列,并据此融合外部知识生成恰当回复。因此本文主要研究了对话目标规划和自动回复生成两大任务。对话目标是指在有限轮次对话中用户的长期意图,需要经过k轮对话才能被满足,数据标签是人为自定义的。对话目标结束的标志是用户主动开启了新的对话内容。本文将对话目标规划分为目标序列规划和对话目标检测两个子问题,在对话开始前根据用户画像和个人知识库生成对话目标序列;在对话进行时实时检测当前对话目标的变化并据此重新规划目标序列,从而令机器可以预先准备满足用户需求的服务资源。人机对话中当前对话目标的选择取决于目标是否完成,因此本文将对话目标检测分为目标完成估计和当前目标预测两个具备潜在关联的子任务,使用联合学习的方式建模两个子任务之间的联系。为此,本文提出了对话目标规划框架DGPF。针对目标序列规划问题,DGPF使用偏好驱动优先、知识驱动优先和多层感知机序列三种不同的策略来生成目标序列。针对对话目标检测问题,DGPF使用中文预训练模型ERNIE和图嵌入模型Node2Vec将用户表达文本和上一轮目标分别编码成向量,将编码后的向量输入Completion Network和Prediction Network两个子网络,预测对话目标是否完成并判断当前对话目标。针对垂直领域知识图谱的问答场景,本文提出了一种基于本体概念的回复生成方法。该模板化方法首先进行答案检索与推理,然后将答案填充到定义好的话术模板中,作为响应文本返回给用户。针对目标驱动的开放域对话场景,本文提出了两种端到端回复生成模型:基于指针网络的Pointer Net模型和基于知识选择的KGSelect Net模型。Pointer Net使用三个基于GRU的编码器分别对用户表达、对话目标和相关知识进行编码,其中对话目标是DGPF的输出,相关知识是经过DGPF筛选后的与对话目标属于同一领域的SPO三元组。Pointer Net在生成回复时基于指针生成器对三元组中的文本进行复制。KGSelect Net是对Pointer Net的改进,使用注意力机制计算每条知识在用户表达上的得分,据此找到最恰当的知识进行回复生成。本文在公开数据集上的实验结果优于基线证明了模型的有效性。为验证模型的实用性,本文基于上述研究成果以及课题组已有成果设计并开发了医疗康复服务智能交互系统,为行动不便的居家老人提供闲聊解闷、智能信息录入、行为能力评估、康复计划推荐、康复进展咨询和疾病知识问答等功能。