互联网的发展和人工智能产品的落地成熟都推动着人工智能技术的进步,而人工智能技术有一个不可逃避的问题,即需要机器能够理解和学习人类的指令,这就意味着机器和人类沟通成为了一种大众趋势,对话系统的研究也日渐重要。在对话系统中,任务型对话系统又因为具备可以解决特定领域问题和目标的能力而拥有不可估量的价值和研究空间。目前工程使用较多的任务型对话系统大多采用管道式的方法,这种方法对模块之间的依赖性较强,且不易迁移,成本较高。因此,端到端的任务型对话系统就有着重要的研究意义。端到端任务型对话系统属于一种序列生成任务,先前的方法大多采用单个编码器-解码器结构,从历史对话记录中通过端到端的方式训练,从而得到一个基于序列生成框架的任务型对话系统。由于端到端的系统类似于一个黑盒,不容易人为控制,因此很难自动学习到对话任务中的内在结构和知识等。针对这方面问题,本文研究在端到端系统结构的基础上融入对话状态追踪结构和外部知识库系统,并提出一个包括两个级联序列生成模型的联合端到端模型,从而改进了任务型对话系统。主要研究内容和研究成果如下:1)提出了在端到端联合模型中融入对话状态追踪的方法。通过两种不同的编码器-解码器结构,考虑对话状态中的槽位信息,将槽位按照目的分为通知和请求两种状态,以一个文本跨度的序列形式来对对话状态进行表示和更新。区别于以往单独训练的信念追踪器,本文使用单个序列模型简化了多个复杂的分类器,分别通过引入指针和记忆关系两种结构来对信念跨度做处理,结果显示有效且更利于联合模型的构建。2)提出了在端到端联合模型中融入知识库信息的方法,从而实现对外部知识进行查询。以往的端到端模型分为两种,第一,考虑状态追踪但不引入外部知识;第二,检索外部知识库但不考虑槽位的结构信息。而本文的联合模型就是要同时考虑到端到端系统结构中的这两部分。具体来说,就是通过一个带有指针的编码器-解码器网络,在联合模型第一步基础上融入外部知识库信息的结构化表示,同时引入记忆网路的多跳注意力机制来关注长距离的信息,最终直接生成系统回复,并在两个数据集上都验证了联合模型的先进性。3)在研究知识库查询的序列生成任务中,尝试了对外部知识库的结构进行更细化的表示,即分离上下文历史中的对话信息和知识库信息,并在单独的序列生成模型上做了实验,证明了思路的正确性。