近年来,司法部深入贯彻习近平网络强国战略思想,着力提高司法行政事业发展的科技含量和信息化水平,全面展开科技创新和技术攻关,建设“数字法治、智慧司法”科技创新工程,法律咨询服务和辅助判案是其中重要项目。目前,法律咨询服务智能化程度低,无法准确描述法律咨询语句,难以理解用户法律咨询意图,进而为其提供个性化、多元化法律咨询服务。传统辅助判案技术对案件描述粒度较粗,无法捕捉案件间关联信息,影响案件罪名判定。此外,现有辅助判案算法难以准确地从案件中抽取出有效信息,无法得出细致的案件预判结果。本文针对法律咨询服务和辅助判案问题进行深入研究,力图准确刻画法律案件以及咨询语句,预测用户法律咨询意图,实现案件罪名判定和案件结果预判。本文的主要工作和贡献包括:首先,研究司法案例的统一、规范化表示。司法案例建模为案例相关预测算法提供数据支撑。传统司法案例建模方法主要基于特征模型和矩阵分解。这类方法存在特征模型的天然缺陷。针对这一问题,提出一种基于规范化张量分解的司法案例建模方法,引入张量模型概念,将司法案例表示为三维原始张量,定义权重矩阵,利用规范化张量分解算法将原始张量分解为核张量,完成司法案例表征。核张量降低原始张量维度,去除其中冗余信息,减少后续预测算法计算复杂度。与传统方法相比,针对法律咨询意图理解、案件罪名判定和案件结果预判,本文方法在真实法律咨询语句和案件文书数据集上显著提高预测算法准确率。其次,研究法律咨询意图理解方法。精准理解用户法律咨询意图是为其提供个性化法律服务的前提。传统法律咨询意图理解方法中建模方法和预测算法相互独立,预测算法无法准确地从法律咨询语句中抽取出有效信息。针对上述问题,提出一种基于模式张量分解的法律咨询意图理解方法,优化无监督张量分解,定义模式张量,在此基础上,利用模式张量分解算法将法律咨询语句表示为核张量,设计预测算法对模式张量的优化方法,进而使得预测算法通过优化模式张量干预张量分解过程。模式张量建立前期建模过程和后期预测算法间的关联,从而使核张量代表最有利于提高方法准确率的张量元素和结构信息。与传统方法相比,本文方法在真实法律咨询语句数据集上有效地提高法律咨询意图理解准确率。再次,研究案件罪名判定方法。案件罪名判定对案件分流、案件法官分配至关重要,直接影响案件流转速度与审理效率。传统案件罪名判定方法未将案件间相似信息作为预测案件罪名的重要依据。针对这一问题,提出一种基于相似驱动神经网络的案件罪名判定方法,在模式张量分解的基础上,对神经网络门控结构进行改进,定义输入型相似门和输出型相似门。二者分别在神经网络的输入层和输出层获取案件间相似信息,并将其用于网络最终输出结果的计算中。相似门捕捉案件间潜在关联,为预测算法提供案件间相似信息,有效地提高案件罪名判定准确率。与传统方法相比,本文方法在真实法律案件文书数据集上准确率更高。最后,研究案件结果预判方法。案件结果预判有助于推进案件审理工作,辅助法官判理案件,同时减少冤假错案产生。传统案件结果预判方法主要基于分类算法,得出的预判结果粒度粗糙,此外,案件建模过程与预判算法关联性差,预判算法无法准确地从案件中获取有效信息。针对上述问题,提出一种基于可介入张量分解的案件结果预判方法,精简优化模式张量分解,定义可介入参数,构建可控张量分解与映射张量分解算法,二者分别利用中介张量和映射矩阵集合优化张量分解过程,进而实现案件建模。设计经优化回归模型,提出回归模型对可介入参数的优化方法,从而使张量分解得出的核张量代表最有利于提高预判算法准确率的张量信息。与传统方法相比,本文方法在真实法律案件文书数据集上案件结果预判准确率明显升高。