对话系统是指能与人类通过自然语言进行交流的计算机系统,它提供了一个便捷的人机交互界面。与聊天机器人不同,任务导向型对话系统往往应用于几个单一场景,在每个场景下,它都会完成某个特定的任务。开发任务导向型对话系统的难点在于对话管理的设计。本文在Rasa对话机器人开发框架的基础上,提出一种基于History Attention的LSTM对话管理方法,同时使用该方法开发出一款用于违章车辆查询和驾驶证记分查询的对话机器人。对话管理包括对话状态追踪和对话策略两个部分,Rasa中的Rasa Core模块将对话历史信息与用户当前意图保留下来,记录了每一轮对话的对话状态,实现了对话状态的追踪,因此,本文着重考虑对话策略的设计。Rasa内置对话策略算法REDP在酒店咨询对话数据上的测试结果非常出众,本文利用Word2Vec模型对对话状态进行预训练,将用户意图和系统动作映射到同一语义空间,得到它们的特征向量,同时借鉴REDP算法,设计出基于History Attention的LSTM对话策略模型,经过多次对比试验,模型改进,最终的模型在测试数据上表现不俗,基本达到了与REDP算法的同一测试水平。本文还利用Rasa对话机器人开发框架和上述对话策略模型开发出一款交通领域的对话机器人,开发过程的重点在于对话领域定义和对话语料的采集。领域定义包括用户意图、命名实体和系统动作的定义,而语料是在大连交警公众号已有数据的基础上人工构建的。在Rasa开发平台上,添加必要的功能组件,同时增加对话策略模型,编辑配置文件,分别对各个模块进行训练,系统便设计完成。系统基本实现了违章车辆查询和驾驶证记分查询两个功能。该系统经过多次调试和优化,最后的效果令人满意。