对话系统近年来受到了越来越多的关注。对话系统大体上可以分成两类:任务完成型和闲聊型。前者帮助人们完成诸如酒店预订、机票预订等日常任务。后者可与人们在任意话题上自由交流。本论文的目的是构建一个闲聊型对话系统,可以与人们就诸如禁枪之类的争议话题进行辩论。该种对立式的对话机器人可以带来很多方面的好处。例如,律师在庭审过程中需要根据对方观点查找反证,对立式对话机器人可以根据观点有效地检索法律卷宗等。此外,在金融顾问、企业决策、公共事件决策等领域,对立式对话机器人更能帮助人类理解事件的正反面,让人类可以辩证地看待事物从而进行信息决策。然而开发有价值的对立式对话机器人面临诸多挑战:首先,聊天机器人需要准确理解对话的上下文,用户正在讨论宗教事宜时,聊天机器人的回复应当适当且贴合宗教话题。其次,聊天机器人需要从独特的角度做出回应从而使得讨论更加开放,例如用户提出反对枪支管理的言论时,对话机器人应该陈述支持禁枪的理由。最后,对话机器人需要具有较强的泛化能力以便和用户讨论多种话题,当对话机器人添加新话题时,系统只需花费少量代价即可恢复各模块效果。本论文提出了THE Debater,一种基于信息检索方法的新型对立式对话系统。具体来说,给定用户请求的情况下,系统能够从由问题-答案对组成的数据集中选择适当的回复。为了解决上述挑战,首先该对话系统需要准确理解上下文语境。THE Debater采用了基于BERT模型的语义匹配模块,BERT是近期由Google提出的最为先进的语言模型。其次,THE Debater将立场检测模块集成到了对话系统中,用于判断用户对某主题持支持还是反对态度,从而使得对话机器人可以从其他角度进行回复。最后,THE Debater采用了几种不同的策略用来提高系统的泛化能力。例如使用规模较大的数据集训练模型、将迁移学习与对话系统相结合等。大量实验结果表明,我们的系统不管在语义匹配方面还是立场检测方面都取得了良好的效果。此外,THE Debater在构建有价值的对立式对话系统方面也卓有成效。本文的主要贡献如下:1)将基于BERT的模型应用到对话系统的语义匹配模块:尽管BERT已被应用于各种任务,但这是首次尝试用BERT构建对立式对话机器人。2)结合立场检测模块:先前在对立式对话系统领域的研究都没有考虑将立场检测与对话系统结合。3)整合不同的深度迁移学习技术以提高系统的通用性:使用基于网络的迁移学习,以半监督学习的方式提升模型在训练数据匮乏时的效果;使用基于样本的迁移学习,以适应样本分布的变化从而扩充数据量,提升模型效果。