近年来,随着深度学习在自然语言处理领域的发展与应用,人们享受到了越来越多样化的智能语言类服务,尤其是基于对话系统的各类终端智能助手已经开始改变人们与机器的交互方式。也有越来越多的人希望用这种方式来辅助人们完成任务与工作。然而,目前市面上推出的智能助手都是由其开发者预先定义并训练的,用户无法将其直接迁移到需求的专业领域。针对这样的行业痛点,一个通用性的对话系统构建平台将发挥作用,用户能够利用此平台创造满足其业务需求的专属对话系统,而不需要掌握任何底层的基础知识和实现原理。面对当下仍未得到有效控制的新冠肺炎疫情,基于本平台的公共健康服务对话系统可以为隔离在家的用户提供便捷的健康服务,同时收集公众的健康信息,帮助政府控制疫情传播。自然语言理解是对话系统中一个重要部分,由意图识别和命名实体识别两个子任务构成,分别对用户输入中的意图和实体信息进行抽取和识别,为系统提供理解人类语言的能力。其识别的准确度和速度对用户使用系统的体验都非常重要。预训练语言模型BERT(Bidirectional Encoder Representations from Transformers)使用大量无监督数据进行训练,在多项自然语言处理任务取得了突破。在自然语言理解研究中,基于BERT的联合模型Joint BERT具有非常好的效果。但是基于BERT的模型往往将消耗大量的计算资源,难以在对话系统这种实时性的任务中高效地工作。针对上述需求与问题,本文以深度学习相关方法设计并完成了自然语言理解模块与其在平台中的接口,并将其应用于公共健康服务对话系统的业务场景中。首先,本文实现了Joint BERT模型作为初始模型,并提出使用一种针对BERT的知识蒸馏方法Tiny BERT,对Joint BERT进行联合蒸馏,将蒸馏后得到的轻量级模型作为自然语言理解模块的最终模型。当用户样本量较少时,本文还引入了基于词替换的数据增强方法对蒸馏效果进行提升。然后,本文对公共健康服务对话系统进行了系统分析,并根据需求场景设计了意图标签和实体标签。最后,本文分别在开放领域的公共数据集和针对新冠肺炎的医疗领域数据集进行了实验。实验结果表明,本文提出的自然语言模块作为平台中的通用模块和公共健康服务对话系统中的专用模块,都能取得准确的预测效果并拥有高效的性能。