随着人工智能的兴起,各类智能助手和智能客服系统迅猛发展,作为上述服务核心的对话系统已成为自然语言处理领域的研究热点。对话系统根据具体应用可分为非任务型对话系统和任务型对话系统。其中,非任务型对话系统致力于在开放域与用户交流,在交互中提供合理的反应和娱乐。任务型对话系统旨在帮助用户完成某项任务,具有广阔的应用前景。本文主要关注于任务型对话系统的设计与实现。传统的基于规则的任务型对话系统中,针对单一领域设计的规则难以适应其他领域,限制了系统扩展到其他领域的能力。而基于统计学方法的任务型对话系统一般需要设计手工特征,时间成本较高。为解决上述问题,本文基于深度学习框架实现任务型对话系统。该系统包括Web服务器、文本预处理、自然语言理解、对话状态追踪、对话策略选择、自然语言生成和背景知识管理等模块。特别地,本文针对自然语言理解模块提出基于层级注意力机制的自然语言理解模型。该深度学习模型利用基于层级注意力机制构建的层间语义传递结构将低层级的语义传递到更高层级,层层递进地挖掘文本的语义特征。此外,本文针对对话状态追踪模块提出基于信息熵的对话状态总结模型。该模型基于信息熵对系统对话状态中的概率分布进行总结,有效降低了对话状态追踪模块和对话策略选择模块的深度学习模型的复杂度,从而降低了系统的整体复杂度。实验结果表明,与现有模型相比,基于层级注意力机制的自然语言理解模型可有效提升系统响应的准确率;基于信息熵的对话状态总结模型能够在不影响系统响应的准确率的前提下,有效缩短系统响应时间。最后,本文对系统进行了功能和性能测试。测试结果显示,系统的功能和性能均满足需求。