在对话系统中，常用的机器学习方法包括以下几种：

  1. 传统的监督学习方法：传统的监督学习方法常用于对话系统中的意图识别、槽位填充等任务，如支持向量机（Support Vector Machine，SVM）、决策树（Decision Tree）、随机森林（Random Forest）等。

  2. 非监督学习方法：非监督学习方法主要用于对话系统中的中心词提取、文本聚类、文本分类等任务。常用的非监督学习方法包括聚类算法（如K-means、层次聚类等）、主题模型（如Latent Dirichlet Allocation，LDA）等。

  3. 深度学习方法：深度学习方法在对话系统中取得了一定的突破，尤其是在情感分析、对话生成、机器翻译等任务上。常用的深度学习方法包括卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）及其变种（如长短时记忆网络，LSTM；门控循环单元，GRU）等。

  4. 强化学习方法：强化学习方法主要用于对话系统的策略优化，在对话系统中根据环境的反馈不断调整策略，以实现最佳的对话效果。强化学习方法的经典算法包括Q-learning、深度Q网络（Deep Q-Network，DQN）等。

  需要注意的是，以上所列举的机器学习方法只是对话系统中常用的一部分，具体应用方法还需根据对话系统的具体需求和场景来选择。此外，除了机器学习方法，还有其他传统的自然语言处理技术和统计方法，如词袋模型、n元语法模型等，在对话系统中也有一定的应用。