杨 帆,饶 元,3,丁 毅,贺王卜,丁紫凡

(1.西安交通大学 软件学院 社会智能与复杂数据处理实验室,陕西 西安 710049;2.西安交通大学 陕西省人工智能联合实验室，陕西 西安 710049;3.西安交通大学 深圳研究院，广东 深圳 518057)

0 引言

随着基于深度学习的自然语言处理技术的快速发展，以文本内容特征表示学习与语言模型为核心的深度语义理解与模型构建已逐步替代了传统的基于语法、句法和语义解析的方法，并大幅提升了人机对话系统在人机交互、智能助手、智能客服、情感陪护和问答咨询等多个领域的应用性能与效率。与面向开放领域的对话聊天系统不同(如微软小冰和苹果Siri)，面向任务型的对话系统(Task-oriented Dialogue System)是特定场景与环境下，在理解用户多样的表达方式(甚至是口语、俚语以及富情感)的基础上，通过对用户意图的准确识别，并结合外部知识库与知识图谱中的知识语义，尽可能高效率且准确地响应用户任务需求的一种人机对话系统。

早期阶段，构建一个经典的基于流水线模式的任务型对话系统主要包括：自然语言理解(Natural Language Understanding)、对话管理(Dialogue Management)和自然语言生成(Natural Language Generation)等三个方面的任务[1]。其中，利用自然语言处理技术来理解用户的语言并准确获取用户意图，则是核心且基础性的工作。基于规则的槽-值对(即Slot-value对，例如，fromLoc.City_name=Xi’an/depart_time=2020.04.01)的经典方法可较好地抽取出语句中的核心语义和用户意图特征，并在多轮对话中通过利用对话状态管理，将这些用户意图保存起来以保证对话的连贯性。……