随着法律从业标准愈加严格,从业人员规模的扩大远慢于刑事案件数量的增加,司法机关面临“案多人少”的困难;且法官的自由裁量权受其学识水平、工作经验等主观因素的影响,可能造成“同案不同判”的情况,影响司法公正性。为解决以上问题,本文以刑事判决文书为输入,使用自然语言处理技术,将案情自动化分析分解为法条推荐、罪名预测、刑期预测与相似案件推荐四个子任务。该方法在司法智能建设中能有助于提高法官的工作效率,平衡刑事案件数量、司法机关人力与司法判决工作之间的关系。考虑到上述四个子任务并非完全独立,本文使用多任务学习的方式进行联合建模,利用其间的关联关系,共享判决文书预处理、语义编码等部分,提高本文案情分析方法的泛化能力。具体而言,对于法条推荐与罪名预测任务,考虑到被告人可能触犯多条法条,被判处多个罪名,本文将其视为两个多标签分类任务,使其共享输入层、embedding层以及语义编码层,达到多任务学习的效果,构建法条罪名共现关系库,对预测结果做进一步校正。对于刑期预测任务,本文根据数据分布特点对刑期进行区间划分,使用文本分类的方法预测刑期区间。在与前述任务共享输入层、embedding层以及语义编码层的基础上,本文根据《量刑指导意见》进行规则信息的提取与融入,增加刑期预测的可解释性。对于相似案件推荐,由于缺乏标注数据,本文从法条与罪名维度构建了相似案件库。输入犯罪事实时,依赖法条推荐与罪名预测的结果定位其相似案件库,使用上述任务中训练的语义编码模型对案件文本进行编码,随后计算其间相似度,并据此进行相似度排序与相似案件推荐。本文以CAIL2018数据集为基础,以中国裁判文书网中下载的刑事判决文书为补充,构建实验数据集,一定程度上减少标签分布不均带来的影响。实验结果表明,相比于各任务独立训练,使用多任务学习方式,共享部分结构,能有效提高案情分析方法的效果。