对话系统是当前科技界和工业界研究热点,尤其是在此次疫情期间的无接触式交互受到了社会的广泛关注和认可,对抗击疫情有着积极表现。通常对话系统不仅能通过多轮对话交互帮助用户完成各种任务。目前对话系统可以分为任务型、问答型、闲聊型,但是现在的对话系统往往是融合发展。因此,本文研究内容是在自然语言理解和三型对话管理进行的,希望通过三种对话方式完善以往系统功能。本文实现了网上商城服务对话系统。主要实现了联合训练的自然语言理解模块和任务型、检索型及生成型的三式对话管理模块。主要的研究内容包括:(1)本文发现数据集的扩充并没有提升模型的性能,相反却降低了模型评价指标我们从网络上获取的对话语料存在各种各样的“噪声”,例如存在一起无意义的通用回复,对于检索模型和生成式模型训练存在不可忽视的干扰。我们通过筛选大量对话。为后面章节的实验提供了对话语料的质量保障。(2)本文利用了公开ATIS和SNIPS两个数据集,引入了胶囊神经网络模型对意图识别和槽识别联合训练进行了相关实验,对比各个模型在不同数据集的表现,也关注了在低资源条件下的表现。(3)在对话管理部分上,主要研究了检索模型和单轮对话生成模型。检索式我们利用bm25“粗筛”减轻了后面模型的工作量,而后使用了多种机器学习和深度学习相关的模型进行实验。生成模型对比了基于自编码模型和传统的Seq2seq模型,为了减少通用回复的情况,我们还加入了注意力机制。(4)最后,本系统采用胶囊神经网络的自然语言理解,利用基于规则的方式和检索模型、生成模型完成了对话管理模块。在对话管理模块进行判断是否为预设的任务型意图,如果是进入任务型对话管理,采用模板式生成回复模块。否则,交由其他模型完成。如果检索模型的可靠性低,则交由生成模型完成对话。