人工智能、自然语言处理技术飞速发展及法律案例文书数据的公开,不仅为智能司法的研究提供了良好的数据基础和技术沉淀,还促使其成为自然语言处理领域的一个研究热点。针对智能司法包括的多项任务以及司法数据的特点、存在的研究难点等,本文提出多任务学习模型,并在多任务学习模型的基础上融合篇章结构信息、法条正文信息和罪名关键词信息,这样不仅可以提高智能司法判决的效果,而且还能够解决目前智能司法中的难题。本文主要包括以下三个方面的研究内容:1.基于多任务学习模型与篇章结构信息的智能司法判决预测模型:首先,本文采用了多任务学习的方式对罪名预测和法条推荐两个任务联合建模。其次,由于法律文本属于段落级别的篇章文本,所以,为了将考虑篇章结构信息考虑在内,我们在多任务学习模型基础之上融合了篇章结构信息。实验结果表明,多任务学习的建模方式要优于两个任务分别建模的方式。另外,篇章结构信息对判决预测也是有效的。2.融合法条信息的智能司法判决预测模型:从法官对案件进行判决前要参考相关的法条可以看出,法条信息对智能司法判决的预测结果有正向作用。因此,我们在融合了篇章结构信息的多任务学习模型基础上进一步采用向量相似度、预训练模型以及注意力机制等方法融合相关的法条正文信息,其中,注意力机制的方法是为了减少前两种方法的错误传播问题而提出的。实验结果表明,融合法条正文信息能够有效改善司法判决预测效果,并且基于注意力机制融合的方法减少了错误传播的问题。3.融合罪名关键词信息的智能司法判决预测模型:智能司法判决预测的研究中存在易混淆罪名问题,这是司法判决研究的难点。本文发现虽然易混淆罪名的案情文本描述很相似,但是关键词能够有效的区分出易混淆罪名,因此我们提出融合罪名关键词信息解决易混淆罪名问题。具体来说,首先,我们采用多种方法从法律文本中抽取罪名关键词并自动构建罪名关键词表,其次,我们将罪名关键词信息融合到上述模型中。实验结果表明,我们提出的方法对解决易混淆罪名问题有效果。