在多轮人机对话场景下,用户对话常存在指代或信息省略的问题,给对话系统准确识别用户意图造成了巨大困难。为此,研究者提出使用序列到序列模型,利用历史对话信息,将存在指代或信息省略的当前对话改写成完整且无歧义的对话。这类模型在对话改写中实际有两个任务:1)从历史对话中抽取能补全当前对话语义信息的文本。2)利用该文本辅助生成改写对话。通过对现有数据集的分析,本课题发现,历史对话中只有一小部分文本影响当前对话的改写。因此,当历史对话序列较长时,仅使用序列到序列模型可能无法捕捉到历史对话中的关键信息,导致对话改写效果下降。为了解决上述问题,本课题把历史对话中影响当前对话改写的一段连续文本称为目标指称文本,提出基于目标指称文本抽取的对话改写方法。本课题的主要工作如下:1)先使用抽取式机器阅读理解模型从历史对话中抽取出目标指称文本,再将目标指称文本、历史对话、当前对话一起输入序列到序列模型生成改写对话。这种显式将目标指称文本作为输入的做法突出了目标指称文本的重要性。2)考虑到历史对话、当前对话、目标指称文本在对话改写任务中拥有不同的重要性,本课题的对话改写模型会分别在这三类文本上生成词概率分布,同时利用注意力机制生成文本权重对词概率分布加权。这样做的好处有两个:第一,对话改写模型通过注意力机制,能为目标指称文本分配适合的权重,增加模型的鲁棒性,避免模型在目标指称文本抽取不准的情况下,生成错误的改写对话。第二,若用户当前对话语义完整,无需改写,模型应该给予当前对话文本更高的权重,使得在生成改写对话的过程中,当前对话的文本有更多的可能被选择作为输出。为了验证模型的有效性,本课题在两个公开的中文对话改写数据集上进行了实验。实验结果表明,基于目标指称文本抽取的模型能够捕捉到历史对话中有效的语义文本,提升了对话改写模型的性能,最终效果优于所有的对比模型。