任务型对话系统常用于引导用户完成某项任务,例如购买飞机票、预订会议室等。可减少人工客服数量,降低企业成本,具有极大的研究意义和应用价值。在任务型对话系统中,意图识别用于判定用户文本的意图类别,对整体流程的正常运转至关重要。面临的主要挑战为:用户语音通过语音识别转换为文本,无法保证结果绝对准确;且用户口语使用随意,不一定符合语法规则,因此用户文本存在较大噪声。为应对上述挑战,本文对多种文本匹配算法进行研究,通过计算用户问题与标准问题的相似度判定意图类别。在此基础上设计并实现意图识别模块,应用于任务型对话系统。主要研究内容包括:无监督文本匹配算法研究。对基于分词的倒排索引进行改进,基于拼音n-gram建立倒排索引,用于文本召回;对基于文字的字符串相似度算法进行改进,定义基于拼音的最大编辑相似度、最大公共子序列相似度算法;对基于分词特征的语义相似度模型进行改进,基于文字和拼音n-gram特征训练TF-IDF、LSA、LDA等模型。实验结果表明,基于拼音n-gram的倒排索引提升了平均召回率;基于拼音的字符串相似度算法、基于文字和拼音n-gram特征的语义相似度模型提升了F1值和准确率,验证了上述改进的有效性。有监督文本匹配算法研究。对基于分词特征的机器学习模型进行改进,基于文字和拼音n-gram特征训练逻辑回归、SVM、XGBoost等模型;对基于分词嵌入特征的深度学习模型进行改进,基于文字和拼音嵌入特征训练CNN、双向LSTM模型,设计CNN与双向LSTM联合编码网络,并通过异常检测与聚类算法进一步优化。实验结果表明,基于文字和拼音n-gram特征的机器学习模型、基于文字和拼音嵌入特征的深度学习模型提升了 F1值和准确率,异常检测与聚类算法降低了平均相似度计算次数,验证了上述改进的有效性。