对话行为是一种浅层范畴的用户意图,表达出的是用户最直接的行为。对话行为分类作为自然语言理解的基本任务,在对话系统中发挥着重要的作用,其目的是识别出对话内容的对话行为,并辅助做出对话决策。随着人工智能的发展,对话系统慢慢地融入人们的生活,提供智能、便捷的服务。为了改善用户的体验感受、贴合用户的意愿,系统需要提供更加精准的语义理解,因此对话行为分类的研究具有重要的意义和实用价值。据调研发现,基于规则的方法构建成本高、可移植性差,同时基于机器学习的方法依赖复杂的特征工程,而深度学习方法不仅可以避免特征工程,而且能够学习更加复杂的数据分布,因此被广泛应用于对话行为分类的任务。现有工作大多是面向单个对话行为的分类,而对于存在多个对话行为文本的挖掘工作并不多,并且对于由多个子句组成的文本,鲜少考虑子句之间的关联以及句法信息的影响。另外,大多数工作将对话行为分类看做独立的任务,没有考虑其他关联任务的作用。本文在调研对话行为分类相关工作的基础上,同时结合对话行为和任务导向型对话系统的特点,对课题展开研究。本文主要的研究内容分为三个方面:首先,本文提出基于句法和子句信息的分类模型。通过双向长短时记忆网络学习每个单词上下文信息以及图卷积神经网络学习单词句法信息的特征,得到基于单词的语义表示;对于由多个子句组成的文本,每个子句表示一个对话行为,因此利用双向长短时记忆网络学习子句之间的依赖关系,并通过自注意力机制,区分重要的子句信息,得到基于子句的语义表示;将基于单词和子句融合后的向量,作为整句话的语义表示,并由此得到对应的对话行为。最后通过多组对比实验,验证了模型的有效性。其次,本文考虑利用相关任务联合学习的方法,旨在通过关联任务提升对话行为分类任务的泛化能力。本文在借鉴第一个分类模型中对话行为分类部分的思想,提出基于联合学习的分类模型。对话行为表示语义意图,槽位表示语义的限制条件,因此本文认为两者是相互关联任务。模型利用双向长短时记忆网络学习单词的上下文信息和图卷积神经网络学习单词的句法信息,然后经过自注意力机制,得到句子的语义表达。由单词和句子的语义表示,分别输出句子的槽位信息和对话行为。实验部分,通过与多个神经网络分类模型对比,验证了方法的有效性,同时通过分析实验结果,证明了联合学习对于提升模型泛化能力具有积极作用。最后,由于对话行为过程相对抽象化,因此本文基于Python开源的Web框架Django,实现了从输入对话内容到输出对话行为的过程,即后端通过加载本文提出的两个神经网络的预训练模型,对结果进行预测,从而将对话行为分类的流程可视化。