近几年来,人机对话在移动终端、智能家居、智慧医疗、智能网联汽车等各个领域的产品层出不穷,理解人类语言并能够与人类对话的机器人成为了大多数人的需求。而任务驱动的多轮对话是人机对话的主要形态之一,同时也是难点之一。本文面向生活领域,以任务型对话系统的构建为研究对象,重点完成其中的对话状态跟踪与策略管理两个子任务,基于深度学习与强化学习在自然语言处理中的已有先进成果,实现稳健、高质量、高精确性的智能多轮对话系统。具体工作如下:1.针对数据预处理问题,采用词向量与字符向量共同表征文本。采用基于有向无环图与隐马尔可夫模型的方法进行分词,通过Word2vec模型获得词向量,拼接词性和词序得到混合词向量。同时微调BERT预训练模型获得字符向量,最终通过词向量和字符向量共同表征文本信息。2.针对状态跟踪问题,通过卷积神经网络与切换型长短期记忆网络进行文本状态的提取。设计卷积神经网络模型进行监督学习以实现多轮对话意图识别。搭建两个双向长短期记忆网络并将获得的文本词向量与字符向量分别输入给这两个模型。训练浅层神经网络做切换开关控制两个模型的输出,最终得到具有意图识别功能与槽位填充功能的对话状态跟踪器。实验结果表明,引入切换开关的槽位填充模型效果最佳,F1值达到了97.65%。3.针对策略管理问题,构建深度增强学习模型,依据之前特征提取得到的中间状态进行多轮对话的动作决策。利用卷积神经网络近似动作值函数,构建两个并行Q网络并通过调整Q网络对迭代的贝尔曼目标参数进行求解,最终获得能根据历史交互信息决策对话动作的多轮对话模型。