随着科学技术的发展,特别是人工智能技术的兴起,任务型多轮对话系统逐渐成为学术界和工业界的研究热点。任务型多轮对话系统针对具体任务场景进行设计,通过与用户之间进行对话交互,收集所需信息,帮助用户完成特定任务。目前,任务型多轮对话系统主要有基于管道和基于端到端两种构建方式。基于端到端的方法由于存在对数据需求量较大、可解释性差和对话流程难以控制等问题。因此目前主流的做法是通过管道的方式构建任务型多轮对话系统。管道式的实现方法将任务型多轮对话系统拆分成自然语言理解、对话管理和自然语言生成三大模块,各模块之间相互配合协作共同完成任务。管道式的任务型多轮对话系统将整个系统模块化,各模块可以根据具体任务场景自由替换,大大的提升了系统的灵活性,但该方法目前仍存有一些问题。一是自然语言理解模块将意图识别和槽位填充分开建模,没有利用两个子任务间的潜在关联。二是对话管理模块主要以规则实现的居多,没有利用人工智能技术的优势。三是任务型多轮对话系统普遍存在构建困难的问题,对非专业人士来说门槛较高。针对上述第一个问题,本文首先研究了自然语言理解中意图识别和槽位填充的联合模型,利用BERT做语义特征提取器作为两个任务的共享上下文信息,不同于以往的句子级别的意图识别,本文提出的模型利用字词级别的意图识别,通过集成学习的思想决出最后的意图。同时,在槽位填充阶段融合了字词级别意图信息,实验结果表明本文提出的模型在两个子任务上均有优异的表现,在两个数据集上的句子级别准确率分别提升了1.97和5.39个百分点。针对第二个问题,对话管理可分为对话状态跟踪和对话策略学习两部分,对话状态跟踪部分本文采用当前主流的基于规则方式实现。对于策略学习部分,本文提出了一种基于监督学习的对话策略学习方法,模型基于Transformer,利用单向自注意力机制获取对话历史中的有效信息,实验结果表明该模型在对话策略学习任务上的表现优于对比模型,当最大关注历史为2和10时,系统动作的F1值分别提升了0.16和0.08。和基于规则的方法一样,该方法也适用于冷启动的场景且具备一定领域迁移能力。针对第三个问题,本文结合以上两个研究内容,设计并实现了可配置任务型多轮对话系统,用户可自定义意图、实体及相应实例样本等信息,一定程度上降低了任务型多轮对话系统的构建难度。