随着语音交互技术的不断发展,人们一直希望有一个智能助理,它能像人一样有意识、有情感,能与人对话并完成一系列任务,例如:天气查询、酒店预订和行程安排等。本文针对基于序列学习的任务型对话系统模型无法有效利用外部知识库(KB)的问题展开相关研究。本文的主要工作如下:(1)针对Seq2Seq模型不能对外部数据检索进行显式建模,而导致模型很难生成存储在KB中的信息,本文提出了一种基于记忆到序列学习的任务型对话系统模型。本文模型在encoder-decoder架构中引入记忆网络来存储、查询和推理外部KB。在解码阶段,模型使用记忆网络和LSTM联合解码生个两个概率分布,一个是全局的词汇分布,另一个是记忆网络内容的分布,最后通过一个门控单元来选择最恰当的概率分布来生成当前时刻的输出。实验表明,本文提出的模型能够有效地增强对外部KB的利用率,提高系统回复中的实体准确率,进而提高系统的任务完成度。(2)由于当前大多数基于存储器的任务型对话系统是将对话上下文和KB存储在同一个存储器中,导致存储器KB的查询和推理变得困难。本文提出了一种基于多级存储和复制增强的序列学习模型,使用多级存储器单独对KB进行存储、查询和推理。该模型摒弃了常用的三元组KB表示,采用键值对的形式表示每条KB信息的所有内容。此外,我们在模型解码过程中引入了复制机制,直接从对话历史中复制相关实体作为输出。实验表明,本文提出的序列学习模型能够有效提升对话的实体准确率。与基线模型中表现最佳的模型相比,本文模型获得了最高12%性能提升。