自然语言理解模块是任务型人机对话系统的重要组成部分,一般包含领域识别、意图识别与语义标注三个部分,语义标注识别用户输入中的槽值,也常称为槽填充,是自然语言理解的主要任务。在很多实际应用中,NLU不仅需要语义标注算法识别出用户输入中的槽值,还需要将槽值映射到一个预定义(或基于训练语料构建)的槽值列表上。但是,预定义的表难以包含所有可能槽值,实际对话中常常会出现不在列表(或训练语料)中的新槽值。有效识别新槽值对于自然语言理解的健壮性和对话系统的扩展性都具有重要价值,但是,传统的基于序列标注的方法以及基于分类的方法都无法有效地解决这一新槽值问题。本文针对上述问题,在充分调研已有相关研究的基础上,结合实际需求开展工作,具体内容包括:提出了一种基于注意力机制的联合语义标注模型以及基于负采样的模型训练方法。模型结合序列标注器与分类器,序列标注器定位槽值信息而分类器获得标准槽值或新槽值类别标签·,基于负采样的训练方法通过构建负样例使得模型可以进行监督训练。在两个语料的实验结果表明,基于负样例的训练显著提升了新槽值识别的性能,而注意力机制可以自主发现关键信息,进一步提升了模型性能。对联合模型进行了扩展研究,尝试了多种建模多字符槽值内部关联的方法,包括添加文本特征、改进注意力机制、文本语义结构表示,并进行了同时有多个槽情形下的槽值识别探索。实验结果表明,本模型可以成功迁移至多槽的应用情景,识别每一个槽中的新槽值。基于上述技术,实现了一个完整的自然语言理解模块,应用于某企业手机售后客服人机对话系统。对模块的功能测评表明,该模块能够成功识别标准槽值与新槽值,在实际应用过程中表现出了良好的性能。