新一代信息技术与互联网的飞速发展,使各应用领域的服务业务不断跨网跨域跨界交叉融合,进而形成了复杂的大服务生态系统。随着人工智能、认知计算与深度学习技术的迅速发展与应用,服务向智能服务发展。智能服务的核心是自动辨识顾客显性和隐性需求,并主动、高效、安全地提供满足顾客需求的服务。在大服务生态与智能服务场景下,为了实现随时随地获取用户需求并交付服务,软服务机器人的研究逐步引起研究者的关注。准确、完整的获取需求是软服务机器人的核心。在大服务生态下,用户直接面向大规模海量的异构服务与跨网、跨域的多元服务场景,导致需求往往具有个性化、模糊等特性,这对需求获取带来了新的挑战。现有的需求获取方法主要存在两方面问题:第一,现有方法中用户知识图谱一般由手动构造生成,特别是其中需求的偏好多由用户在服务系统主动填充,这会导致信息获取覆盖率低、细粒度不足的问题;第二,现有方法大多采用填充、检索等单轮交互的方法获取实时需求,其难以有效获取个性化的复杂需求。针对现有方案的不足,本文将从以下两个方面进行研究:首先,研究用户知识图谱补全问题;其次,研究面向需求获取的多轮人机交互模型构建问题。具体来说,本文的主要研究内容与创新包括以下三个方面:（1）针对用户知识图谱补全中的细粒度偏好识别问题,提出了两个算法模型,即胶囊注意力网络模型KGCaps AN与跨领域知识融合网络模型S-HGKT。KGCaps AN模型用于解决细粒度场景下偏好目标与关联词语之间的误关注问题,其利用句法依存树作为先验知识,通过胶囊注意力机制建模偏好目标与文本的关联表示。本文在多个数据集上的实验验证了KGCaps AN模型可以有效识别细粒度偏好。S-HGKT模型用于解决跨领域偏好识别问题中的领域分布差异问题,其通过引入概念级别知识作为“桥”逼近领域之间的分布,并通过图卷积网络学习跨领域知识嵌入。本文在多个跨领域偏好识别实验中验证了S-HGKT模型的有效性。（2）针对需求意图树构建问题,设计了基于用户知识图谱与多轮人机交互的需求意图树构建框架,并针对人机交互模型构建问题提出了基于用户知识图谱的多轮人机交互模型P-Mem2seq。该模型基于端对端的深度记忆网络构建,在交互过程中可以根据用户知识图谱中的需求偏好自动生成需求推荐。P-Mem2seq模型无需依赖人工制定的交互模板,完全由数据驱动学习训练,从而减少了模板方法与模块化结构带来的误差累积问题。在公开数据集上的实验表明,PMem2seq模型可以准确识别用户需求意图,并可提升需求推荐、交互生成的准确率,从而能有效支撑基于用户知识图谱与多轮人机交互需求意图树构建。（3）针对需求模式映射问题,设计了需求意图树重构框架,并提出了待重构需求节点识别算法TAN与面向需求节点重构的人机交互模型Pmem2seq-RQ。TAN采用两阶段注意力网络模型构建,通过学习需求模式与需求意图树的匹配关系来识别待重构需求节点;Pmem2seq-RQ是基于P-Mem2seq模型的扩展,通过引入KE-GRU方法,使交互模型可以根据不同的待重构需求节点生成有针对性的交互内容,最终通过与用户的交互反馈进行需求确认,从而实现需求节点的重构。本文在实验中验证了TAN可以有效识别待重构需求节点,同时Pmem2seq-RQ可以准确的基于待重构需求节点与用户进行反馈,从而可以有效支撑面向需求模式映射的需求意图树重构。综上所述,本文面向大服务场景下,软服务机器人需求获取与人机交互做了深入研究。面向现有需求获取方法的不足,本文基于自然语言处理、深度学习等算法技术,分别对面向用户知识图谱补全的细粒度偏好识别、需求意图树构建以及需求意图树重构问题进行了研究,并针对问题中的关键模型提出了相应的算法。本文提出的这些模型及算法为解决软服务机器人的需求获取难题提供了新的思路和方法。