互联网的蓬勃发展推动各行各业都产生翻天覆地的变化,司法领域也同样如此。司法文本数量的快速增长促使着更高效的分类技术出现,这有助于对司法资源的合理利用。一篇司法文本可以同时属于多个类别,这就涉及到了多标签分类问题。传统的方法往往着重关注待分类的文档,导致标签语义信息利用不足、标签关联性挖掘不充分,同时,没有考虑到不同标签侧重关注的文本内容不同。针对上述的问题,本文提出了一种基于注意力机制的多标签文本分类算法模型,通过引入标签的语义信息、捕获标签之间的高阶相关性,并结合注意力机制,为每个标签学习蕴含语义信息、关联性信息的特定文档表示,实现了标签信息与文档信息之间的交互,从而获取更丰富、更全面的文本特征并用于最终的分类。首先,对于司法文本以及标签语义信息,本文均采用先进的BERT预训练语言模型获取各自的词嵌入表示,通过将它们表示在同一个向量空间中,从而建立了司法文本以及标签语义信息之间潜在的语义关联。相比静态文本表征方法,BERT模型可以通过双向Transformer编码器获取具备上下文信息的动态文本表征,因此能有效解决一词多义的问题。接着,在标签关联性提取模块中构建标签共存图,使用结构深度网络嵌入方法对标签共存图的全局结构以及局部结构进行建模,从而挖掘了标签之间高阶相关性。随后,在全局上下文特征提取层中,通过Bi GRU对司法文本向量进行特征提取,并将提取到的文本特征输入到标签语义信息注意力（Label Semantic Information Attention,LSIA）模块以及标签关联性注意力（Label Correlation Attention,LCA）模块中。LSIA和LCA均采用了注意力机制,聚焦特征中的关键信息,分别捕获到标签语义信息感知的文本特征以及标签关联性感知的文本特征。并在双重注意力特征融合层对LSIA模块和LCA模块得到的特征采用向量拼接的方式进行融合,为每个标签学习到蕴含了语义信息以及关联性信息的特定文本表征,最大程度地保留了标签携带的先验知识,并建立了标签与文档之间的交互。最后,将融合后的特征输入到标签输出模块中,通过全连接层以及Sigmoid激活函数,完成最终的多标签分类。本文在Multi-CAIL2018数据集上开展了实验,包括:消融实验、特征融合方式实验以及对比实验,从而对本文提出的模型的总体性能以及LSIA模块、LCA模块、特征融合方式的有效性进行验证。实验结果表明,本文提出的模型在微平均F1值、宏平均F1值以及综合F1值上分别达到了94.32%、31.13%以及62.73%,均优于基准模型,由此证明了本文提出模型的有效性。