随着人工智能、云计算及大数据等新兴技术的不断发展,税务作为国家经济的重要部分,面临着新时期税务改革和现代化建设等时代任务,智慧税务的建设在此背景下应运而生。但在实际税收征管中,需要专家对国家颁布的条例解读并制定规则,计算机人员将规则编写成代码进行税收计算。此种模式,严重依赖于人工的介入,无法实现智慧税务“智慧”的目标。税务领域迫切需要一种能自动抽取及表示税收条例中蕴含的规则和知识的方法。知识图谱的构建为上述问题提供了一种优秀的解决方案,通过知识图谱的构建自动表征和抽取税收条例中的规则及知识,用知识图谱“解读”税收条例,有助于税收条例到税收计算代码的自动转换,节约人力成本,对实现智慧征管具有一定意义。因此,本文结合自然语言处理处理技术,研究了面向税收条例的税法知识表示和税法知识抽取,构建了面向税收条例的税法知识图谱。具体研究内容分为如下三个部分:（1）税法知识表示:在构建税务条例知识图谱之前,需要对税收条例中的税法知识要素进行统计分析,根据条例之间的内在逻辑和对应关系,制定税法知识的表示方法。本文结合税法条例中规定的税法八大税法要素,提出一种面向税收条例的税法知识表示方法。该方法根据税法条例中内在知识逻辑结构将条例中的知识表示成一棵税法主题分面树。突出纳税主体、纳税对象、纳税行为和税种的语义角色和相互之间的语义依赖关系。再通过模块化结构对条例语义进行分装。以纳税人为源节点融合生成税法知识图谱。形成了税务知识的结构化语义表示方法,从而支撑后续税法知识抽取。（2）税法知识抽取:税法知识的自动抽取主要包括二个部分:税法知识要素抽取和要素关系识别。针对税法要素在税收条例存在的语义信息稀疏问题,本文通过MRC模型建模税收条例要素抽取任务。该模型利用机器阅读思想,构造问句为模型提供先验知识,为抽取任务增加语义信息,提升税法要素的识别性能。在税法要素的关系识别任务中,传统基于神经网络的关系抽取模型难以获取句子的结构特征。另外,由于句子本身仅包含少量的词,导致严重的特征稀疏,难以有效支撑税法知识要素之间的关系抽取。为此,本文提出了一种结合特征标记的税法要素关系抽取方法。该方法通过在税法条例中构造特征标记信息。利用BERT模型进行抽象特征提取,获取税务条例中的结构特征信息,构建税务条例相对于税务知识的高阶抽象语义表示。从而缓解税法要素关系识别中的特征稀疏问题,提高税法要素关系识别的性能。（3）税法知识图谱自动构建与验证:在要素和要素关系抽取研究基础上,本文结合税法知识内在的逻辑结构,提出了税法主题分面树的生成算法。通过与纳税主体源节点的链接,对抽取到的税法知识分面树进行拼接,形成税法知识图谱。为了验证本文提出来的知识图谱,设计实现了税法知识图谱可视化工具。目前,我们实现了1000+税法知识分面树的自动构建。并根据税法分面树的知识要素之间存在明确的规则性和逻辑性,通过自动编译的方式,将税法分面树转换为可执行代码,在仿真涉税交易数据上进行计算,实现税法分面树计算工具。通过和西安交通大学和税友软件集团股份有限公司进行合作,该系统目前已经部署并通过应用测试。