近年来,商用口语对话系统的迅猛发展吸引了更多来自学术界与工业界的关注。对话管理(dialogue management,DM)作为口语对话系统最核心的部分,在给定对话上下文的情况下担负着选择系统执行动作的作用。在基于真实用户交互(如人人语料)的DM研究中,为了学习基于有限语料库的不同对话策略,现在大多数研究者把系统角色扮演者的语料全部用于训练对话管理模型,并且平等地对待每一个实例。然而,在人人语料中,系统角色扮演者有多个,而他们的对话风格不可避免地存在差异,进而影响训练对话管理模型的效率。为了解决上述问题,我们把非目标系统扮演者的语料认为是训练目标对话管理模型的外部语料,研究基于训练语料差异性评估的系统行为预测,主要研究内容及创新包括:(1)分析和设计了基于训练语料差异性感知的系统行为预测。通过分析人人语料中的不同系统角色扮演者对话风格的差异,以及训练语料的特征表达,结合主流系统行为预测模型的系统架构,设计了系统行为预测中训练语料差异性感知的方案。(2)提出了基于语料选用差异性感知的对话管理模型。研究外部语料的选用/弃用策略,并考虑对话上下文较少会导致模式粒度较小,容易带来偏差的问题,提出了两种简单而有效的基于行为模式的差异近似度量方法,一种是基于粗粒度的action,另一个是基于intent-action对。通过排除差异性高的外部语料,降低了对话风格具有较大差异的语料对行为预测模型训练的影响,提高动作预测的效果。(3)提出了基于训练学习率差异性感知的对话管理模型。采用了更为一般性的外部语料差异性评估方法,基于编码后的对话上下文的相似性度量,得到外部语料的差异性。并以差异性调节外部语料参与训练目标系统DM的循环神经网络模型时的学习率,取得了较好的动作行为预测效果。本文在经典人人语料DSTC4上验证了所提出的多种差异性感知的DM学习框架的效果。实验表明,相比于研究进展方法,本文的方法大幅提高了DM执行动作预测的正确率。