法条预测是司法智能领域中的一个重要子任务,旨在根据用户输入的案情描述预测出相对应的法条。传统的法条预测方法都是以单模型为主,无法利用模型获取预测时所需的足够信息。因此,如何获得额外知识并将该知识融入到法条预测模型中是该任务的重点。针对该问题,本文以单模型为基础,从外部知识的引入以及多任务学习等方面来优化法条预测方法。本文的主要工作主要包括以下几个方面:(1)为了处理循环神经网络编码阶段信息冗余和案情描述中存在混淆案情的情况,将门控结构和注意力机制引入到单模型法条预测中,提出了一种基于过滤门结构和注意力机制的法条预测模型。该模型的核心是利用门结构对循环神经网络编码后的隐层状态进行过滤,然后将法条标签的上下文向量与过滤后的隐状态进行注意力计算,得到案情描述与每一个法条之间的相似关系,用以加强分类模型的知识表示能力,提高法条预测的效果。(2)为了解决相同罪名不同程度犯罪引用不同法条的问题,提出了一种基于位置向量和多元特征的法条预测模型。该模型旨在使用卷积神经网络进行特征抽取时,加入位置编码来克服卷积神经网络不能学习上下文依赖的问题。同时,通过融入知识抽取器预先抽取到的(key,value)特征,可以有效提升模型对案情描述的理解,获得更多有助于法条预测的信息。(3)在法条预测中,针对数据不平衡问题,提出了一种基于标签关联和少样本学习的法条预测模型。该方法将属性预测和法条预测集成到一个框架中,对属性与文本向量进行注意力计算获得额外的知识。同时利用图卷积网络对标签空间的依赖关系建模,进而得到标签与文本之间的对应关系,从而辅助少样本的预测。此外,本文还将提出的法条预测方法应用于现实司法小程序中。