En este documento, presentamos una continuación de nuestro trabajo sobre la personificación de agentes de diálogo. Ampliamos los modelos previamente demostrados: el modelo de clasificación y el modelo generativo, y proponemos nuevos modelos híbridos. Debido a que no hay una única forma definitiva de construir un modelo híbrido, exploramos diversas arquitecturas donde los componentes adoptan diferentes roles, de forma secuencial y en paralelo. Aplicando las métricas de rendimiento de perplexidad y BLEU, descubrimos que el modelo Recuperar y Refinar y KG, una modificación del modelo Recuperar y Refinar donde los componentes de clasificación y generación trabajan en paralelo y compiten en función de la proximidad del candidato encontrado por el modelo de clasificación con un bloque de generación fundamentado en conocimiento, logra el mejor rendimiento, con valores de 1.64 para la perplexidad y 0.231 para las puntuaciones de BLEU.