相对于任务型单轮对话系统来说,任务型多轮对话系统更加符合人类日常对话逻辑,具有广泛的应用前景。然而,目前主流任务型多轮对话系统利用复杂的深度学习模型和大量语料进行训练,模型训练时间成本高,训练得到的模型计算复杂。对此,论文展开了深入研究,采用简化的深度学习模型进行多轮对话系统的训练,分别对意图识别与槽填充任务、对话状态跟踪任务、对话策略生成任务提出了优化设计,构建面向招聘领域的多轮对话系统。构建了面向招聘领域的知识图谱,采用自顶向下的方法构建领域知识图谱,通过网络爬虫、实体关系抽取、知识融合等技术获取三元组知识,基于Neo4j构建了招聘领域知识图谱。设计了一种基于深度学习的意图识别与槽填充的联合模型,将经过ngrams编码的稀疏向量与经过预训练词嵌入模型编码的稠密向量融合增强输入的语义信息,利用门控槽机制增强意图识别与槽实体识别的关联性。设计了一种基于槽位表和Transformer多轮对话管理机制,对话状态跟踪上采用基于槽位表记录的方式进行对话状态的维护与更新,对话策略生成模型利用Transformer模型进行编码,利用最大点积相似度对对话将要执行的下一步动作进行预测。意图识别和槽填充的联合模型在SMP数据集上设置对比实验,模型在意图识别任务和槽实体识别任务上F1值分别优于Bi Ass-Gate模型1%和4%,在槽实体识别任务中优于Joint Bert模型近1%。对话策略生成模型在Multi WOZ 2.1数据集上进行了对比实验,相对于文献52的基于Transformer的模型,模型在小样本下准确度高0.12,在预测速度上要快近1/4。设计和实现了面向招聘领域的多轮对话系统。应用优化的意图识别与槽填充模型、对话状态跟踪模型和对话策略生成模型构建问答系统。并将问答系统与知识图谱、语音交互系统、安卓系统、微信小程序相融合,利用编程语言、推理框架,设计和实现了一套面向招聘领域的多轮对话系统,通过测试验证了系统的有效性。