谢 琪，陈羽中，刘漳辉

(福州大学 数学与计算机科学学院，福州 350116)(福建省网络计算与智能信息处理重点实验室，福州 350116)E-mail：lzh@fzu.edu.cn

1 引 言

根据不同的应用场景，对话系统可以大致分为两类：一类是任务型对话系统[1-3]，另一类是开放领域对话系统[4-6].面向任务的对话系统专注于特定的垂直领域，目标是帮助用户完成特定的任务，例如预订机票、旅馆等.由于缺乏特定领域的对话数据，大多数任务型对话系统必须依靠人工设计的模板或启发式规则来处理用户对话.因此，实现任务型对话系统需要大量的人工投入.此外，人工设计的模板或启发式规则无法涵盖所有可能的对话情景，从而限制了任务型对话系统适应其它垂直领域的能力.开放领域对话系统则专注于开放领域[7]，并要求其响应多样化和个性化，因此需要大规模的对话知识库来对模型进行训练.随着社交网络的爆炸式增长，Twitter、微博等社交媒体积累了大量的对话数据，使得从网络中获取开放领域对话数据集并构建数据驱动的开放领域对话系统成为可能.构建开放领域对话系统，可以进一步提高对话系统的实用性.随着科技的发展，人们不仅仅满足于单轮对话的需求，多轮对话回答选择顺势而生.多轮对话回答选择是构建开放领域对话系统的关键问题之一.

近年来，深度神经网络已逐渐成为构建开放领域对话系统的主流方法.通常来说，多轮对话答案选择方法可以大致分为……