本书系统梳理了神经网络对话生成技术的发展历史，构建了一个从规则驱动到统计学习，再到深度学习乃至现代大模型驱动的完整知识体系。本书不仅深入剖析了神经网络对话生成核心技术的演进脉络，更致力于解决当前该领域研究所面临的一些关键性挑战，如生成内容的一致性、多样性与可控性，以及在低资源场景下的可用性等。全书共分九章，逻辑层层递进。开篇综述对话系统全貌与发展现状；随后以循环神经网络、注意力机制和Transformer模型为基础，夯实深度对话生成的算法基石；进而深入探讨变分自编码(VAE)模型、条件变分自编码(CVAE)模型等经典生成式模型，在构建对话潜空间中的重要作用，重点阐述了CVAE模型在对话生成研究方面的典型应用。同时，对当前VAE模型的一些其他先进变体在对话生成方面的前沿应用做了一定探索。本书还重点剖析了预训练语言模型所采用的“预训练+微调”范式，并详尽介绍了大语言模型时代以提示工程、指令微调和对齐技术为核心的新范式。最后，本书将理论应用于实践，专题探讨了在低资源对话下的知识增强方法，并展示了面向教育与人力资源管理两大垂直领域的富知识对话系统构建方案。