任务型人机对话系统旨在使机器通过自然语言与用户进行交互,帮助用户完成特定任务,已广泛应用于各领域企业智能客户服务中。在很多客服系统中,都需要在对话过程中进行数据库查询(如订票),并依据查询结果来响应用户。对话管理是对话系统的核心,负责维护对话状态并基于此生成响应用户的对话策略。但是,现有的对话管理研究较少将数据库查询信息用于对话策略的优化。本文针对这一问题,在广泛调研的基础上,开展需要进行数据库查询的任务型人机对话管理模型的研究与应用,具体工作内容如下:提出了一个融合数据库查询的对话管理模型。模型联合建模自然语言理解、对话状态追踪和动作决策三个对话系统子任务。其中,自然语言理解模块使用长短期记忆(LSTM:Long Short-Term Memory)神经网络编码,每一轮的用户输入为一个句子向量,同时标注其中的槽值;对话状态追踪模块使用LSTM持续接收句子向量,并结合上一轮对话管理模型的动作得到对话的当前状态表示;动作决策模块采用深层Q网络,依据当前对话状态以及数据库信息进行动作决策。在会议室预订任务上的实验结果表明该模型能够在完成任务的同时,有效减少对话轮次。基于上述技术设计并实现了一个面向会议室预订的人机对话系统,系统可以通过对话交互预定所需要的会议室。