任务型对话客服系统包含自然语言理解、对话状态追踪、对话目标决策和自然语言生成等四个模块。多数的任务型对话客服系统使用的技术是通过管道的形式组合这四个模块进行训练,如果组成管道的某个模块训练结果发生变化,依赖于此模块训练结果的下个模块会受到连带影响,为了获取更好的模型效果,一般需要重新训练整个管道的所有模块,这导致系统的可扩展性比较差。传统的任务型对话客服系统使用基于规则的方法进行处理,导致对话系统效果欠佳,而随着机器学习的发展,使用基于统计的方法可以获得更好的效果。使用基于统计的训练方法则需要大规模的中文对话数据集,而中文对话数据集除了对话文本,还需要标注对话状态信息,目前符合条件的中文对话数据集欠缺,这导致了中文任务型对话系统的效果欠佳。机器学习的飞速发展为任务型客服对话系统注入了新的活力,使用最新的自然语言处理技术如BERT或强化学习等可以使任务型对话系统的效果获得明显的提升。结合之前在对话系统研究上的积累,本文设计并实现了一种任务型客服对话系统,将对话系统的四大流程:自然语言理解、对话状态追踪、对话目标决策以及自然语言生成等方面进行了研究和实现。本文的主要工作如下:1.使用基于WOZ的数据集收集方法,在亚马逊众包平台收集人-人数据集,能够快速打造一份可用的中文对话数据集,且能获取丰富的状态标注信息以及完整的对话状态,再结合一种新型的Schema机制来约束数据集格式,使得算法能更好的识别数据中的规律以获得更好的效果。2.将对话状态追踪和对话目标决策模块进行端到端训练,让对话状态追踪模块也能在与用户的交互中成长,摆脱数据标注的问题以及管道式训练带来的可扩展性问题。3.设计并实现了一种新型的基于Web的对话应用设计系统,不仅提供基于分支、循环、顺序等设计对话的基础流程控制单元,还包括大量垂直领域内的话题通用组件以辅助在短时间内设计出快速响应、容错率高的场景对话机器人。此对话应用设计系统底层对话技术使用本文基于端到端训练的模型,且系统提供了能够持续的获取对话反馈的接口,使得模型可以根据反馈进行再训练以获得持续成长的能力。实验表明,本文提出的任务型客服对话系统可以满足快速设计对话机器人来完成某一细分领域的对话任务的需求,且机器人的展现的对话效果能够满足企业对客服任务处理的需求。