随着自然语言处理技术的不断发展,智能对话系统在各个应用领域得到了广泛的应用。从电商客服对话机器人,到景区语音对话助手,通过与用户进行自然语言的交互问答,快速地提供解决方案和服务。近年来,电力行业信息化与智能化不断融合,通过智能问答为用户提供检索服务也成为趋势。对话系统中自然语言理解是核心模块,它通过对用户输入的自然语言进行解析和理解,帮助对话系统充分了解用户意图并准确提取关键信息,以便进行高质量的数据查询和分析服务。本文面向电力营销领域的指标问答应用,设计并构建了一个包含领域背景知识以及各类指标数据的业务知识图谱。针对指标问答任务,利用图谱知识设计了相应的自然语言理解任务,实现了融合知识编码的自然语言理解模型,以识别出用户问题中对应的业务领域、查询意图和槽,并根据应用需求研究实现了模型的轻量化部署方法。本论文的贡献主要包括三个方面:（1）设计和构建了面向电力营销领域的领域知识图谱。本文首先利用领域专家梳理后的基础业务数据表之间的关系,在电力营销的业务系统数据库的实体-关系模型（ER模型）基础上,构建了一个概念本体。接着,对业务数据库的数据表进行遍历,通过数据清洗、数据筛选以及特征选择等操作,获得知识图谱实例,存储到图数据库Neo4j中。知识图谱的信息辅助自然语言理解任务设定相应的领域、意图、槽,同时为自然语言理解模型提供额外的知识表示。（2）提出了融合领域知识的少样本自然语言理解模型。自然语言模型的性能依赖大量的标注数据。然而,领域应用通常缺乏历史数据,人工收集标注数据成本太高。由此本文提出了基于编码融合的少样本自然语言理解模型,通过引入电力营销的领域知识丰富自然语言的表示。具体来说,在编码阶段,将领域术语对应的知识融合到模型编码中,增强模型对样本中未出现标识的理解。实践表明,引入领域知识确实可以弥补训练样本的不足,并显著提高模型的准确性。（3）实现了基于早退机制和知识蒸馏的轻量级自然语言理解模型。本文将早退机制和知识蒸馏两种方法结合在一起对自然语言理解模型进行了压缩和优化,以确保在实际应用场景中具备快速推理能力同时满足部署成本控制的需求。该方法在保持性能下降幅度不大的情况下,有效地降低模型的复杂度和计算资源需求。综上所述,本文基于电力领域数据设计并构建了电力营销领域知识图谱,在此基础上构建了基于编码融合的少样本自然语言理解模型。为了在保持模型性能的同时提升推理速度,本文提出了一种基于早退机制和知识蒸馏的轻量化模型构建方法。最终,该轻量化模型通过API接口的形式集成在现有的电力营销系统中,提高了相关工作人员进行企业信息查询的效率。