城市交通发展带来了大量的交通路况查询、报警处理等信息服务需求,传统的人工服务已不能满足实际的应用需求,人机对话技术逐步应用于交通信息服务领域。在人机信息交互过程中意图识别和对话文本生成是人机对话系统的核心,但人机对话技术在交通信息服务领域的应用还存在以下问题:一是用户的对话内容口语性强,不能有效提取用户的对话意图;二是当用户对话内容无明显对话意图时,往往出现答非所问的情况。针对上述问题,本文将基于深度学习的文本分类技术和文本生成技术应用于人机对话系统,通过文本分类识别用户的对话意图,根据对话意图类别调整对话策略,并针对用户对话意图不明确的对话内容,采用基于深度学习的文本生成技术进行应答,提高了面向交通信息服务人机对话系统的用户体验和智能性,具有重要的研究意义。具体研究内容如下:(1)针对交通信息服务领域用户对话文本较短、口语性强的特点,采用融合卷积神经网络和长短记忆模型的方法,构建了基于双向长短记忆模型与卷积神经网络的用户意图识别模型。实验表明,该模型可以有效抽取用户对话文本的文本特征,提高用户意图识别的准确率。(2)针对交通信息服务领域某些应用场景语料相对较少且获取困难,无法满足深度学习模型训练需求的问题,本文将迁移学习应用于交通信息服务领域的意图识别,构建了基于迁移学习的用户意图识别方法。实验表明,在少量标注语料数据的情况下,该模型可以获得较为理想的用户意图识别效果。(3)构建了一种基于深度学习的对话生成模型。本文将深度学习应用于对话文本生成,构建基于BiGRU的Seq2Seq文本生成模型,并通过引入注意力机制(Attention)提高对话生成内容的质量,解决了对话内容意图不明确时,采用传统规则匹配方法生成对话回复文本,常常出现答非所问的问题。(4)搭建面向交通信息服务的人机对话实验平台。本文设计了面向交通信息服务人机对话系统的对话策略,将本文研究成果应用于人机对话实验平台,并通过实验对本文设计的面向交通信息服务的人机对话系统进行了验证分析。实验结果表明人机对话系统表现良好,可以满足实际应用要求。