随着深度学习的兴起,自然语言处理的各个领域都出现了翻天覆地的变化,在对话机器人领域这一块,同样与以前大不相同:不再仅仅只有传统的基于匹配的对话机器人,出现了越来越多的生成式对话机器人。它们能满足用户的交流需求,增强用户粘性,也能承担部分任务型机器人的工作。研究生成式的对话机器人已是目前的热点之一。在人类语境下,每个人都具有固定的个性,人们总倾向于回复带有鲜明个人风格的语句,并保持个性一致。传统的以seq2seq模型为基础的生成式对话机器人在过去获得了巨大的成功,但该模型往往生成的是缺乏个性,或者前后个性不一致的回复。除此之外,seq2seq模型还存在各种各样的问题:安全回答问题,回复语句多样性差,训练时间长……鉴于以上原因,本文将尝试抛弃传统的seq2seq模型,以变分自编码器作为模型的整体框架,让回复个性化,保持前后个性一致,提高回复多样性等几个方面作为本文的模型改进思路。本文主要是在Per-CVAE模型的基础上做改进提出Trans-CVAE。本文主要的改进工作如下:（1）将Per-CVAE的编码器部分由循环神经网络替换为Transformer。Transformer是目前NLP领域最先进的模型之一,也是预训练模型bert的基础。其相较于RNN可以大幅度提高训练速度,并且Transformer模型在机器翻译等任务里都比RNN表现的更为出色,可以期望以此作为编码器来提高模型的编码质量。（2）改进个性储存部分和选择部分,借鉴Transformer的多头注意力技术,使全局个性向量内容更丰富。在模型机制下,能利用个性储存和对应的解码方式达成更精准的个性化回复生成,并同时完成前后个性一致的目标。在个性选择部分中更改选择方式,不只选用得分最高的个性回复,在满足阈值的情况下使得个性选择更有随机性。（3）对变分自编码器中的KL散度消失问题解决方法作出整合,对KLA,word dropout等各种方法进行分析比较,并指出它们的局限性,并在Trans-CVAE中最终选用加入bag-of-word损失的方法,加入另一个依赖隐变量z的模块,来增强整体模型对隐变量z的依赖,以此避免KL散度消失。（4）整合适合于个性对话语料的评测指标,并对个性覆盖度指标进行改进,利用tf-idf值对于停用词进行筛选,防止和个性文本高度相似的生成回复被错误评测为个性覆盖度不够。