近年来,神经对话回复模型在学术界和商业界都获得了巨大的成功,但已有的工作忽视了对话中所蕴含的立场。而立场是人类对话中的重要因素,人类往往首先对输入句产生立场,再依据立场作出相应的回复。为此,本文将在深度神经网络框架下探索融合立场的短文本对话生成方法。具体地,本文将从以下三方面进行研究:(1)面向短文本对话的立场检测:在构建微博短文本对话立场标注语料库基础上,本文分别使用Bi-LSTM和Transformer构建了面向短文本对话的立场检测模型。此外,为了提高立场检测模型的鲁棒性,本文还采用430万个不含立场标签的微博正文-回复语句对训练语言模型。实验结果显示:当使用预训练语言模型时,Trasnformer和Bi-LSTM都取得了更好的立场分类性能,其中Transformer取得了最好的立场分类性能。(2)基于给定立场的短文本对话生成:为了在短文本对话生成中融合立场,本文首先采用融合预训练语言模型的Transformer立场分类器给微博短文本对话数据集自动标注了立场伪标签;然后,采用该数据集,训练基于LSTM的序列到序列对话生成模型,并比较了编码端融合、解码端融合以及解码和编码同时融合这三种立场融合方式。此外,解码阶段,分别使用束搜索和top-k采样进行解码,并比较了它们的BLEU分数和Distinct分数。实验结果显示:束搜索有着更高的BLEU分数和立场F1值,而top-k采样有着更高的Distinct分数。(3)基于自主立场的短文本对话生成:在融合给定立场的短文本对话生成基础上,本文进一步探索了短文本对话生成中的立场自主选择和融合问题。为此,本文首先采用Bi-LSTM方法构建了基于微博正文和立场的自主立场生成模型;然后,基于自主产生的立场,使用回复检索模型检索出合理的回复;最后,使用检索后重调模型,对检索结果作复制、修改或重写,生成更合理的回复。此外,我们分别使用束搜索和top-k解码,并对回复生成模型、回复检索模型和检索后重调模型的性能进行了比较。实验结果显示:自主立场生成模型能够产生合理的立场。另外,相比回复生成模型,回复检索模型有着更高的Distinct分数和更低的BLEU分数,而检索后重调模型能提高回复检索模型的BLEU分数。