在經過了(NLU)用戶語言分析和對話模型生成(policy module)後，產生了相應的槽值對，例如
所以，重要的是，是根據槽值對，產生相應的系統回答話語，來反饋給用戶，我們可以將上述系統產生的動作產生如下的輸出。
所以，關鍵的步驟便是如何根據槽值對來產生對應的語言。
第一種也是根據傳統的模板的方法，利用正則表達式，
系統決策是從本體庫中查詢用戶相對應的所需數據，例如根據i want a cheap restaurant 來產生相應的用戶動作後，從系統對應的本體庫中查詢，產生與用戶動作相同的系統動作，隨後根據系統動作填充對應缺省的地方即可。這種方式較爲笨拙，無法適用於大型網絡。
而以下采用的方法便是根據傳統的深度學習方法。利用RNN的LSTM的長短型記憶，來產生話語。具體這裏不進行展開。