深度学习的进步使自然语言生成(NLG)变得更加流畅和灵活。虽然这些神经生成系统在机器翻译方面取得了早期的成功，但当它们被应用到抽象总结、故事生成和闲谈对话等更开放的任务时，它们会遇到重复、不连贯和不可控等问题。此外，开放式神经生成模型往往由人工在精心控制的环境中进行评估;它们在现实环境中如何与现实用户互动，这一点还不太清楚。

本文分析和改进了执行开放性任务的神经生成系统; 在对话的情况下，系统是在其整个社会背景下评估的。首先，对于抽象摘要，我提出了一个指针生成器模型来提高复制的准确性，以及一个覆盖机制来减少生成摘要的重复。接下来，对于聊天对话，我提出了一个大规模的详细的人的评价，揭示了机器人行为(如重复、特异性、话题停留和提问)和人的质量判断之间的关系，并表明通过控制这些机器人行为，我们可以改善用户体验。第三，关于故事生成，我描述了大规模预训练和解码算法对生成文本的句法、语义、结构和文体方面的影响。最后，作为Alexa奖项的一部分，我展示了一个神经生成聊天模型的部署研究，与真实的、内在动机的用户交谈。通过分析机器人与用户的交互，我确定了机器人的主要错误类型，以及它们与用户不满的关系。

此外，我展示了一种半监督的方法，从不佳中学习，从而改善对话系统。

https://purl.stanford.edu/hw190jq4736