近年来,随着闲聊对话任务的发展,情绪闲聊对话任务作为闲聊对话任务的一个延伸,得到了越来越多研究者的关注。情绪闲聊对话任务的目标是搭建一个用标签控制回答句子情绪的对话系统,情绪的控制一方面帮助对话机器人生成更类人的回答,另一方面对闲聊对话中引入其他对话属性的研究提供了一个实践参考。随着大规模数据集的出现,情绪闲聊对话任务的相关研究越来越多,生成效果也不断提高,但依然存在着一些问题,例如结果表达形式太简单、情绪类别不均衡等。本文的研究重点正是解决上述的两个问题,对此,本文基于条件变分自编码器设计了新的情绪闲聊模型来丰富对话结果的表达,通过引入情绪分类器自适应调节输入数据的类别分布解决类别不均衡问题。论文的主要研究工作如下:首先,对已有技术背景进行了探索和分析。包括情绪闲聊对话任务的定义、数据集和评估方法、常用的闲聊对话模型和现有的情绪与闲聊对话融合方法。复现常用情绪闲聊模型方法并对比,通过对实验结果的分析,详细了解现有技术的实现流程与优劣势,为继续深入研究情绪闲聊任务奠定了基础。然后,针对基本模型的结果样例分析中发现的表达形式简单、乏味的问题设计了基于条件变分自编码器的情绪闲聊模型。模型利用多头注意力机制从提问句中提取情绪特征,去拟合该情绪下答句潜在的分布,接着通过对答案分布的多次采样与解码可以生成同种情绪的不同表达,提升结果的多样性和趣味性。与基准实验对比中,该模型在主客观指标上的表现更好,表明该模型丰富了生成结果的情绪表达。最后,在现有情绪闲聊模型的基础上,提出了一种新的自适应数据分配方法来解决类别不均衡问题。该方法利用情绪分类器实时反馈的情绪闲聊模型的效果,动态的分配输入数据中不同类别的占比。此外通过使用记忆网络,帮助情绪闲聊模型存储长期情绪特征。实验结果表明,该方法要优于一些常用的解决类别不均衡问题的方法。