随着互联网的普及以及智能设备的迅速发展,虚拟个人助手（Virtual Personal Assistant,VPA）,也称软服务机器人,逐渐进入人们的生活的方方面面,提供便利。同时,会话推荐系统,也即基于对话的服务推荐系统,以VPA作为载体,也逐渐成为研究热点。会话推荐系统以其可及时获得用户反馈的特点,能够更加精准的命中用户的需求。同时也带来以下几个挑战:如何捕捉用户偏好并对其建模?面对海量服务如何高效推荐,减少响应时间?如何制定合适的对话策略以提高推荐效率?本文将主要针对这三个问题进行研究。（1）本文基于传统用户画像模型,提出了基于人机对话的精细化用户画像（Conversational Bot based Elaborate User Portrait,CBEUP）,以更加精准的表达用户的偏好。为了在尽量少的对话轮次内给用户推荐心仪的服务,可以利用用户画像对用户长期的偏好进行建模。传统的标签化用户画像难以对数值型的偏好进行精确的表达,并且难以记录用户偏好的更迭。因此,该模型记录了用户偏好的迭代历史、不同偏好的数值化约束、偏好的提及频度,并且通过语义连接了多个领域的偏好。（2）本文提出了服务特征依赖模型,以及相应的服务预排序算法,为服务推荐提供支持。为了缩减候选服务规模,本文考虑到多领域服务之间所存在的客观依赖,例如空间依赖,我们认为用户在选择了某一领域的服务后,在另一领域更倾向于选择与其依赖程度密切的服务。本文通过对不同领域间的服务之间的依赖紧密度进行度量,用于缩减对话过程中候选服务的规模,以提高服务推荐的效率。（3）本文提出了领域间通过回溯来确定需要进行推荐的领域,领域内基于反馈迭代推荐的服务推荐策略,并最终构造了相应的服务推荐VPA（service recommendation VPA,sr VPA）。服务推荐策略用于引导用户针对不同领域间的服务进行对话,解决了由于服务依赖模型的引入,当用户选择某个领域的服务时,其它领域可能缺少与已选择的服务依赖紧密的候选服务的问题。（4）本文提供了面向服务推荐的软服务机器人sr VPA的设计与实现细节,包括架构、功能设计,以及系统实现的类图以及业务逻辑设计。通过不同的对话案例验证了系统各项功能的实现稳定性。