口语理解是对话系统中的一个研究热点,要求从口语句子中准确识别用户意图和精确提取相关要求。口语理解的结果直接决定对话系统后续决策,因此意图分类与要求识别的准确率直接影响对话系统的运行效果。检测句子的意图被视为一个分类问题,传统研究通常使用分类器对句子信息进行建模、分类。针对具体意图提取用户详细需求被称为槽位填充,被视为序列化标记问题,即给原始句子的词语打上是否属于关键信息的标签。目前研究通常着眼于句子语法结构和词序,寻找一个全局最优的标签分布方案。本文在对现有研究学习的基础上,提出基于知识图谱与语义图进行口语理解的方法,主要内容如下:(1)现有实体检测方案通常将文本中单独的词语映射到知识图谱资源,无法检测短语组合并映射到复合语义资源。针对这种情况,本文提出一个衡量短语与知识图谱资源紧密程度的度量方法,并基于该方法提出一种最长匹配的资源映射方案来解决来这个问题。为了降低算法的时间、空间开销问题,本文采用状态压缩动态规划,提出一种资源映射优化算法,并删除无效状态进一步提高了算法的运行效率。实验结果表明,我们提出的资源映射算法可以有效将组合短语映射到复合语义资源,并且优化算法在运行效率与基准算法相比有较大提高。(2)针对当前口语理解方案仅着眼于当前句子结构和词序的情况,本文提出结合知识图谱和句子语义解析进行口语理解的方案。该方案首先检测原始句子中的知识图谱资源,然后利用RNN将带有实体标记的句子转换为指令序列,基于指令序列构造语义图进行语义解析,得到句子的逻辑表达式。我们采用两个双向RNN对逻辑表达式与句子本身独立建模以提取各自特征,用于联合意图猜测与槽位填充。最终提出一个融合句子逻辑表达式与句子语义特征的口语理解模型,以实现了联合意图检测与槽位填充的目标。通过实验,该方案的有效性得到了验证,并且取得了槽位填充的最高得分。