随着人工智能的发展,司法正逐步由电子化、信息化转向智能化。运用法律检索、分析与推荐平台在浩瀚的法律文书中快速查找到感兴趣的案件,能将人们从繁琐的工作中解放出来,大大提升工作效率,这无疑是现代司法最迫切的需求。该问题属于法律案件相似度计算问题。目前国内在法律文本相似度计算方面,采用的方法主要是通用领域的文本相似度计算方法,这些方法没有考虑法律文本的特点,在案件相似度计算方面仍存在许多问题。首先,目前基于深度学习的模型难以获取法律要素之间长期、全局和非连续的依赖关系,尤其案件各要素间天然形成了一种关系图,而常用的序列模型缺乏捕捉这种结构信息的能力,因此无法发挥它们的最大优势;其次,通用相似度计算算法在计算过程中难以解决法律文本较长,文书存在大量的冗余信息的挑战。因此,针对法律文书的特殊性,在建立案件知识图谱的基础上,构建图神经网络模型,实现案件的精准相似度计算是一个值得研究的课题。为了解决上述问题,一方面,本文设计了一种将深度图卷积神经网络与双向长短期记忆网络相结合的网络结构,它不仅能提取法律文书中文本语义信息,还能捕捉案件中主体与客体之间复杂的法律关系。通过该网络模型,能对法律文书进行有效表征,实现法律案件的精准相似度计算。另一方面,本文采用了一种Hard mining方法,它能在训练过程中动态调整负样本挖掘的比例,在法律资源极为昂贵的条件下,该方法能解决法律标注数据不足的问题,有效提高模型训练的准确率。本文进行了大量实验,实验结果表明,本文提出的方法在案件相似度计算准确率上优于前沿的方法,这证明了本文提出的方法可以有效地提取图结构特征,从而捕捉案件中复杂的关系,并学习到不同案件之间的区别与联系。