端到端任务型对话系统和基于强化学习的任务型对话系统作为任务型对话系统两个重要研究方向被越来越多的学者所关注。典型的任务型对话系统包括多个独立模块,结构复杂,协调困难,其中端到端任务型对话系统采用端到端神经网络使任务型对话系统一体化,但目前的研究仍然需要额外的对话状态跟踪器,未能形成完全训练一体化的端到端架构,且由于过于依赖递归神经网络顺序结构,导致了时间依赖和序列依赖,制约了任务型对话系统的训练速度。基于强化学习的任务型对话系统采用强化学习的方式使任务型对话系统的优化方向始终与用户需求的优化指标保持一致,但目前基于强化学习的任务型对话系统鲁棒性差,带给用户不佳的使用体验,并且由于强化学习训练方式不直接依赖于自然语言,而是依赖于自然语言之上的语义,因此需要具有良好语义解析能力的自然语言理解模块。针对上述任务型对话系统的两种研究方向分别存在的问题,本论文提出了基于卷积神经网络和注意力机制的全并行端到端的任务型对话系统以构建能训练一体化、训练快速的任务型对话系统;提出了结合自然语言理解的深度强化学习任务型对话系统以构建能理解自然语言语义并且更加强大和鲁棒的任务型对话系统。具体包括如下三点工作:(1)提出了一种基于卷积神经网络和注意力机制的全并行端到端的任务型对话系统。该任务型对话框架针对任务型对话的多轮能力设计一种基于拷贝网络的流式上下文建模方法以提高多轮对话建模能力,同时针对编解码器结构递归神经网络导致的序列依赖和时间依赖问题设计一种完全基于卷积神经网络和注意力机制的全并行编解码器对话框架以提高模型训练速度,并且基于Beam Search和Policy Gradient优化对话生成结果。本论文在任务型多轮对话公开数据集CamRest676和KVRET上进行了实验论证,结果显示本论文方案相较现有方案在任务型对话的多个指标达到最优效果,尤其在训练速度上有显著提升;(2)提出了一种结合自然语言理解的深度强化学习任务型对话系统。该任务型对话系统框架针对目前自然语言理解没有完全利用意图识别和槽值提取两个子任务的相关交互作用的问题提出了一种基于意图槽值双向交互的联合建模自然语言理解模型以加强自然语言理解,同时针对当前基于强化学习的任务型对话系统不够鲁棒、任务完成率不高的问题,采用了一种Double DQN的深度强化学习的任务型对话模型。本论文在自然语言理解公开数据集ATIS和Snips以及公共电影票预订数据集Movie-ticket booking上进行了实验,结果显示本论文模型在自然语言理解指标上达到最优效果,在订电影票的任务完成率上有较好效果;(3)在以上任务型对话系统的两种研究的基础上,该论文采用Django网站构建技术完成了端到端任务型对话系统及基于强化学习的任务型对话系统演示系统的构建,当有用户通过前端界面输入相应的自然语言对话文本,后台自动调用相应对话模块训练好的模型得到相应输出,返回端到端任务型对话结果、自然语言理解结果、基于强化学习的任务型对话结果展示给用户,并进行多轮对话交互。