基于机器学习和深度学习的传统方法能够在罪名预测、法条预测上取得较好的准确率,但是对于样本数量比较少的类别准确率较低,其主要原因是样本不均衡,导致模型学习过程中偏向于样本数量比较多的数据类别,造成样本数量比较少的样本类别得不到有效地训练。由于其复杂性、地域性等外界因素的影响,现有模型大都存在刑期预测准确率不高的问题,无法达到可以应用的水平。单一的犯罪事实描述作为输入无法提供足够的信息支撑,必须寻求额外的知识,才能进一步提高刑期预测的效果。犯罪事实描述文本过长,极易出现长距离依赖问题,直接造成网络提取信息的能力下降,不能有效地编码文本中的有效信息。针对上述问题,本文提出一种基于多类信息融合的判决预测模型,通过在单一犯罪事实描述输入的基础上添加基于事实认定的结构化数据,提高模型预测效果。实验结果证明,论文提出的基于多类信息融合的判决预测模型具有较高的准确率、较好的鲁棒性以及各类别均衡学习的能力,在判决预测任务上取得了较好的成果。论文的主要贡献及创新点如下:(1)针对样本不均衡的问题,本论文提出结构化数据与犯罪事实描述相结合的方法。从裁判文书中提取出基于事实认定的结构化数据,并将结构化数据的信息与文本信息进行融合。实验结果证明,结构化数据与犯罪事实描述相结合的方法能够有效地提高小样本数据的准确率。(2)针对结构化数据嵌入困难的问题,本论文将结构化数据分为连续数据和离散数据,分别设计了连续数据编码器和离散数据编码器,并且与文本信息相融合。实验结果证明,本论文设计的连续数据编码器和离散数据编码器能够有效地编码基于事实认定的结构化数据。(3)针对犯罪事实描述文本过长的问题,本论文设计了 Transformer-HAN结构,提高文本编码能力。由于犯罪事实描述文本较长,直接使用RNN类编码器会造成长距离依赖问题,所以,论文摒弃传统RNN文本编码器,改用HAN层级编码器,HAN基础部件采用Transformer结构,进一步提高模型编码能力。(4)为了探索多任务结构是否适合本任务,以及什么样的任务结构能够达到最优效果,本文设计了多类对比模型,在分类器结构上探索最优模型。实验表明,多任务模型比单任务学习具有更强的鲁棒性,本文提出的基于拓扑结构的多任务结构优于普通多任务结构,在f1,MP,MR等指标上具有更好的结果。