朱映波，赵阳洋，王 佩，尹 凯，王振宇

（1.天翼爱音乐文化科技有限公司，广州 510081；2.华南理工大学软件学院，广州 510006）

0 概述

随着人工智能相关技术的飞速发展，人与智能设备之间的交互方式趋于智能化，逐渐从传统的图形化交互向人机对话交互转变［1-3］，即利用智能助理来帮助用户完成多项任务或多项服务。任务型人机对话作为人机对话系统的重要分支之一，是人工智能领域中的一个热门研究课题［4-5］，同时被逐渐应用于工业界的各个方面，例如苹果手机助手Siri［6］、亚马逊Alex 和阿里智能客服小蜜等。

任务型对话系统又称为目标驱动型对话系统，例如客服机器人、机票预订系统等［1，7-9］，它们为用户提供特定领域的服务，旨在帮助用户完成购物、订机票等任务。这类人机对话系统能够大幅降低人力成本，简化人机交互过程，提高应用的智能程度，具有较高的研究和应用价值［10］。

任务型对话系统由自动语音识别（Automatic Speech Recognition，ASR）、自然语言理解（Natural Language Understanding，NLU）、对话管理（Dialogue Management，DM）、自然语言生成（Natural Language Generation，NLG）和语音合成（Text-To-Speech，TTS）5个模块组成［4，11］。其中：ASR 模块将用户的语音输入转化为文本的形式；NLU 模块的作用是理解用户的对话文本，并提取出与任务相关的槽-值对信息；DM 模块是对话系统的核心控制模块，包括对话状态跟踪（Dialogue State Tracking，DST）和对话策略（Dialogue Policy，DP）两个部分［11］：DST 接收来自NLU 模块的语义信息，更新当前的对话状态，DP 确定下一步系统的响应策略；NLG 模块根据系统响应策略生成自然语言文本；TTS模块将语言文本转为语音反馈给用户。

对话策略任务根据对话状态跟踪输出的当前状态分布，选择系统响应的动作或策略［12-13］，其性能的优劣决定了人机对话系统的成败。……