随着人机对话技术的不断发展,各种各样的智能对话系统层出不穷,如:领域问答系统、闲聊机器人、终端导航机器人等智能产品,很大程度上方便了人们的日常生活。在各种类型的对话系统中,任务型对话系统是一个重要分支,主要通过多轮交互解决用户在某个领域遇到的问题,提高业务办理效率,减少人工参与。本文针对金融领域任务型对话系统的用户意图识别进行研究,包含领域分词优化、对话意图识别以及融合意图识别的智能对话系统的设计和实现,详细内容如下:1.提出PSLL-Bi GRU-CRF算法解决金融领域分词的权重倾斜问题。意图识别的首要任务为对话文本的特征表示,而领域分词作为特征表示的第一步,往往面临高质量标注样本稀疏的问题。针对此问题,本文提出随机伪标注样本机制,抽取大量金融领域的专业词汇,并通过unequal-random的方式抽取多个词汇进行连接补齐操作,生成5796条伪标注样本进行模型迭代训练,提高金融实体信息在模型中的权重值。同时,为了进一步解决序列化标签之间逻辑依赖问题,利用条件随机场来避免非法标签序列的预测输出。通过实验证明,PSLL-Bi GRU-CRF算法能够在领域样本稀疏的情况下保持较高的意图识别准确率,相对通用分词算法,性能更好。2.提出IEBERT-Bi LSTM算法解决文本词汇歧义问题并实现多轮对话的意图继承。传统的对话文本的意图识别中,多义词常常会被映射到同一向量上,造成语义理解偏差。针对此问题,本文利用masked机制通过前后词汇判断当前词汇的语义环境,来动态生成当前词汇的向量表征,解决词汇歧义问题。为进一步提高多轮对话意图识别准确率,提出IEBERT-Bi LSTM（Intentions Embedded in BERT Bi LSTM,简称IEBERT-Bi LSTM）算法来将上一轮对话意图嵌入到当前对话中,实现意图继承,提高意图识别准确率。同时,针对多意图识别问题,提出动态阈值设定算法进行多意图检测。通过实验证明,IEBERT-Bi LSTM结合动态阈值设定算法在单意图和多意图识别任务上,对比实验中的其他模型,综合性能最好。3.融合意图识别的金融领域智能对话系统的设计和实现。金融领域智能对话系统对安全性、负载性和响应速度要求较高,基于此特征,本文从对话系统的项目需求、系统架构、系统数据库、前端界面等方面进行详细的分析和设计,并采用Java Spring Boot框架进行对话系统的工程实现。最后,对系统从功能和性能两个方面进行综合测试,单轮和多轮对话准确率分别达91.77%和87.38%,同时,系统能支持1000的并发量正常运行,保证500的并发量能够在2000ms内给出快速应答。