辅助量刑规则挖掘是“智慧法院”的核心内容之一,也是法学与人工智能相结合的研究热点。辅助量刑可以为法官和检察官的日常工作提供参考,有助于维护我国法律体系的公平和正确性。目前,在我国多个建设“智慧法院”的地方法院的法务系统中都配有量刑预测的模块。本文针对法律文书的命名实体识别准确率不高、知识图谱的构建自动性差等问题进行了深入的研究。分别对法律文书的命名实体识别、实体关系抽取、量刑规则挖掘等方面展开论述,结合领域知识建立LSTM-CRF模型用于法律文书的命名实体识别、基于Graph-LSTM模型与注意力机制(attention)相结合的命名实体关系抽取模型,最后结合文本特征构建基于Graph-LSTM模型的量刑规则挖掘模型,实验验证模型准确率较高,满足司法领域的要求。首先,通过在基于长短时记忆模型(Long Short-Term Memory,LSTM)的命名实体识别模型中引入条件随机场(Conditional Random Field,CRF)模型,避免了 LSTM不能捕捉词语标签间约束的问题,特别结合法律文书的文本特征,构造实体识别模型,对比分析不同命名实体的识别准确率以及不同机器学习模型的性能指标。第二,建立基于Graph-LSTM模型与attention机制相结合的法律文书命名实体关系抽取模型。通过分析法律文书的句法依存关系,得到实体间的语义语法特征,根据句法依存结构图构造Graph-LSTM模型。通过远程监督的方法得到弱标签数据集,并引入attention机制在模型的最后消除噪声。通过与其他机器学习模型的对比实验,分析模型性能。最后,设计辅助量刑规则挖掘模型。基于Graph-LSTM模型对法律文书建模,挖掘案件要素特征(X)到刑期(Y)的具有高置信度的关联规则。在命名实体识别工作的基础上,提取出结构化的情节信息作为模型输入,以刑期作为分类结果,训练Graph-LSTM模型。实验分析模型的准确率和五折交叉验证的准确率随着迭代次数的变化,并与其他机器学习进行实验对比,证明了模型的较高准确率。