語(yǔ)義槽填充是對(duì)話系統(tǒng)中一項(xiàng)非常重要的任務(wù)，旨在為輸入句子的毎個(gè)單詞標(biāo)注正確的標(biāo)簽，其性能的妤壞極大地影響著后續(xù)的對(duì)話管理模塊。目前，使用深度學(xué)習(xí)方法解決該任務(wù)時(shí)，一般利用隨機(jī)詞向量或者預(yù)訓(xùn)練詞向量作為模型的初始化詞向量。但是，隨機(jī)詞向量存在不具備語(yǔ)乂和語(yǔ)法信息的缺點(diǎn);預(yù)訓(xùn)練詞向量存在¨一詞-乂”的缺點(diǎn)，無(wú)法為模型提供具備上下文依賴的詞向量。針對(duì)該問(wèn)題，提岀了一種基于預(yù)訓(xùn)練模型BERT和長(zhǎng)短期記憶網(wǎng)絡(luò)的深度學(xué)習(xí)模型。該模型使用基Transformer的雙向編碼表征模型（ Bidirectional Encoder Representations from Transformers，BERT）產(chǎn)生具備上下文依賴的詞向量，并將其作為雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（ Bidirectional Long Short- Term Memory， BILSTM）的輸入，最后利用 Softmax函數(shù)和條件隨機(jī)場(chǎng)進(jìn)行解碼。將預(yù)訓(xùn)練模型BERT和 BILSTM網(wǎng)絡(luò)作為整體進(jìn)行訓(xùn)練，達(dá)到了提升語(yǔ)乂槽填充飪務(wù)性能的目的。在MIT Restaurant Corpus， MIT Movie Corpυs和 MIT Movie trivial Corpυs3個(gè)數(shù)據(jù)集上，所提模型得出了良好的結(jié)果，最大F值分別為78.74%，87.60%和71.54%。實(shí)驗(yàn)結(jié)果表明，所提模型顯著提升了語(yǔ)義槽填充任務(wù)的F1值。