对话状态跟踪是口语对话系统的核心组成部分。它在每个对话轮次中估计用户可能目标的信念。然而，对于大多数当前的方法而言，扩展到大型对话域仍然存在困难。这些方法存在以下一个或多个限制：(a) 一些模型在本体论中的槽值动态变化的情况下无法正常工作；(b) 模型参数的数量与槽的数量成正比；(c) 一些模型基于手工构建的词汇表提取特征。为了解决这些挑战，我们提出了一种通用的对话状态跟踪器——StateNet。该模型独立于槽值数量，所有槽之间共享参数，并使用预训练的词向量而非显式的语义词典。我们在两个数据集上的实验表明，我们的方法不仅克服了上述限制，而且显著优于现有最先进方法的性能。