基于当前人工智能技术及移动物联网技术的发展成果,论文展开对语音交互系统关键技术的研究,旨在为公路交通突发事件下的应急人员提供部署在智能终端的应急作业助手服务,完成作业方法的查询及信息上传等的功能。首先,设计特定领域的对话系统的重点之一是对特定业务场景的定义及场景对话语料的收集,但是目前缺乏真实对话语料,这造成对话系统的冷启动问题。论文基于调研结果中作业任务场景及说话人习惯,使用Chatito的在线集成开发环境套用语法符号人工构建语料数据,获得语料数据及其字典形式的结构化数据。其次,自然语言理解及对话管理是对话系统的主要组成部分。在自然语言理解部分,采用预训练模型BERT解决训练数据少的问题,同时做到通过改造BERT模型的输出层执行意图分类及实体识别两项任务。两项任务皆以单个句子作为模型输入,意图分类任务以[CLS]标志作为意图类别的输出向量,实体识别任务则通过Soft Max输出层得到每个词向量的实体类别。将BERT模型封装成组件的形式,借助Rasa聊天机器人框架,使用管道方法将组件配置到文件,从而完成自然语言理解模型的训练。在对话管理部分,对话数据为时序数据,对话意图与对话数据中出现的实体及槽为对话状态的组成部分,采用独热编码方式完成对对话语料的状态表征。对对话历史信息及当前输入的编码进行拼接形成二值矩阵形式的序列数据。将对话策略学习任务转化为针对历史对话及当前输入对系统动作的分类任务,采用LSTM模型以预测的系统动作概率作为模型输出,模型分类准确率达到94.6%。同样采用Rasa框架配置策略模型至管道配置文件,训练对话管理模型,并结合自然语言理解模型采用命令行的形式测试对话系统效果,达到较好的测试效果。最后,将基于Rasa框架的对话系统部署至微信订阅号,并接入语音识别功能,达到使用语音交互的效果。