随着智能时代的到来,语音交互已经成为人机交互最重要的方式。机器语义理解的准确率是评价语音交互设备性能重要的指标之一。因此,建立有效的语音语义解析模型对于提高语音语义设备性能具有重要的作用,相关研究具有重要的理论意义和实际应用价值。语义解析,在某种意义上是一种将自然语言“翻译”为计算机可识别的形式化语言过程。因此,可以将语义解析当作一种特殊的机器翻译问题来处理。随着深度学习神经网络的迅速发展,诞生了很多基于深度学习的机器翻译模型,并且在机器翻译工作中取得了很好的效果。因此,在现代语义解析研究中常常将翻译模型中的Seq2Seq模型应用于语义解析工作。本文基于智能家居语义解析场景,对Seq2Seq语义解析模型的优化进行了研究,主要开展了如下工作:(1)国内缺少公共的汉语到机器语言数据集,因此,本文构造了一个汉语-机器语言的双语数据集,其中,所有汉语数据都是从现实生活中收集而得,机器语言数据集是由包括作者在内的工作人员模仿SQL语言的结构来进行编写得到。(2)为了克服以词语作为基本单位带来的OOV(Out of Vocabulary)问题以及词典过大问题,实现精简词典,扩大覆盖OOV词汇的目的,本文将不再使用词作为序列的基本单位,而是将汉字作为序列基本单位,进而达到扩大训练模型认知范围的效果。(3)为了克服传统LSTM训练速度慢,不能长期依赖以及不能获得层次信息的缺陷,实现加快训练速度,记忆长期依赖以及获得层次信息的目的,本文对Seq2Seq模型的Encoder端进行了改进,将输入数据进行切割后输入多个平行的LSTM当中,且将低层次LSTM的输出在高层汇总,进而达到提取层次信息以及加快训练速度的效果。(4)为了克服新模型不能利用层次信息的缺陷,实现充分利用层次信息的目的,本文设计了一种layer＿attention机制,能够将不同层次的信息都通过计算转变为不同层次的语义向量。最终通过多层次语义向量的帮助,进而达到提高模型解析准确度的效果。