任务型对话系统(Task-oriented Dialogue System)是自然语言处理中的重要任务之一,在日常生活中的智能客服、个人助手等场景下有广泛的应用。其任务是根据用户的输入返回系统生成的回复,通过多轮交互的形式实现用户的请求或者目标。为完成这一任务,经典的神经网络模型被用于构建任务型对话系统实现对话状态追踪和系统回复生成。但此类方法依旧面临一些挑战,例如,如何缓解神经网络构建的对话系统依赖于大量标注数据的问题,以及如何在对话系统中有效地引入外部知识以适应复杂场景的问题。为了应对上述挑战,本文提出了基于领域自适应和引入外部知识的任务型对话模型。通过使用领域自适应方法来缓解任务型对话系统中面临的缺乏标注语料问题,实现任务型对话模型的领域迁移。通过使用一种引入外部知识的方法,将知识图谱的推理结果加入到对话系统中,使对话系统适应于复杂领域。本文的主要工作包括:1.提出了基于领域自适应的任务型对话模型。该模型可以将训练得到的源领域知识转移到训练样本有限的目标领域中,从而应对缺乏标注语料的问题。具体而言,本文在序列到序列模型中设计了一个领域特征过滤器,以减少源领域中的无效特征并保留通用性特征;设计了领域特征放大器,以增强目标领域的特征。本文在两个数据集上评估该模型,并取得了最佳性能。2.提出了引入外部知识的任务型对话模型。目前使用记忆网络和键值检索机制向对话系统中引入外部知识的方法,可以使对话系统能够应对一些复杂场景。但是这些方法往往会影响对话模型的端到端训练过程,且可解释性较差。本文的方法在对话模型的决策部分加入实体关系与知识图谱推理,使得对话模型在复杂领域能够使用领域专业知识,进而提升模型性能。3.提出了一种应用于医疗辅助诊断的对话系统。引入外部知识的对话模型可以在医疗这类复杂对话场景下,拥有比基线模型更佳的性能。本文将提出的模型应用到真实的对话场景中,构建了医疗辅助诊断多轮对话系统。该系统能够以自然语言交互的形式向医疗工作者提供辅助诊断的功能,用于提高疾病诊断的准确率,并缩短就医流程。实验结果和分析表明,本文提出的基于领域自适应的模型能够在一定程度上缓解对话系统依赖大量训练数据的问题,并且能够保证对话模型在目标领域上的性能;引入外部知识的模型在两个数据集的测试中,拥有比基线模型更佳的性能。实验结果验证了本文方法的有效性。