近些年来,随着人工智能日新月异的变化与发展以及自然语言理解技术的不断突破,人机对话系统因其广阔的应用场景以及极大的商业价值受到大量研究人员的关注。得益于互联网的迅速发展和海量数据的产生,深度学习技术获得了长足的进步,依赖于深度学习的端到端对话系统逐渐成为主流。基于端到端方法的对话系统能够根据输入,直接生成对应输出,减少了人工标注数据的工作量,消除了传统管道方法中的误差累积问题。但是,端到端方法仍存在一些问题亟需解决,如生成的答案可能非常通用或无意义;虽然有记忆功能,但记忆量有限,记忆时间有限,处理长序列非常耗时,难以应用于多轮对话。本文提出了两种模型以解决上述问题,并基于提出的模型设计实现了一个任务导向型多轮对话系统,具体工作内容可以概括如下:1.针对生成的答案无意义的问题,本文提出了一种混合检索生成方法的任务型对话模型。该模型结合检索模型和序列到序列的生成模型,根据不同的情形,选择不同的模型输出作为应答,保留了检索方式速度快和生成方式应答一致性高的优点,解决了检索模型无法处理与知识库相关性不强的输入的问题和生成模型可能产生无意义应答的问题。2.针对记忆存储问题,本文提出一种记忆网络结合seq2seq的模型。该模型使用编码器-解码器结构,将记忆网络作为编码器,记忆网络加上门循环单元作为解码器,结合记忆网络能够保存上下文语句的信息的特性,以及序列模型能够根据一个序列生成另一个长度不同序列的优点,实现了一种结合记忆网络的序列模型,以提高模型记忆能力,有效结合外部知识库信息,改善传统序列到序列模型记忆量有限的问题,从而提高多轮对话能力。3.设计并实现一个任务导向型多轮对话系统。将本文提出的模型构建为对话引擎,结合服务器与web前端,实现了一个完整的对话系统。Web前端接收用户问题并将答案返回给用户;服务器传递前端与对话引擎之间的信息;对话引擎接收到用户输入后使用训练好的对话模型生成适合的响应并返回。最后,通过对系统的测试与评估,验证了本文提出的模型的有效性与可行性。本系统部分已经交付给银行,正在测试阶段,即将投入银行客服系统中使用。