文本相似性度量的目标是自动确定一个分数,以指示文本的语义相似性。在司法领域,司法公开化的推进给予了人民群众参与司法的机会,但“类案不同判”的问题随之暴露,已经成为影响司法公信力的主要负面因素之一。相似案例匹配成为解决该问题的重要方式之一,在判案时为法官提供相似案例作为判案参照,以降低审判偏离度,对实现司法公正具有重要意义。同时它作为一种新的法律服务形式,满足了公众的法律咨询诉求,降低不合理的诉讼预期。而如何度量司法领域文本相似性就是相似案例匹配的核心问题。司法领域文本具有很强的特殊性、专业性、严谨性等性质,文本较长且高度程式化,语句结构复杂严谨,蕴含了复杂场景下的主客体之间的法律关系和要件事实,但这些信息细微琐碎且分散于整个法律文本中,且相对冗余。现有的方法难以实现对复杂的法律关系和要件事实的捕捉,缺乏领域知识和概念层次知识的指导,难以表示司法领域文本,存在长文本表征问题。针对以上问题,本文提出了基于文本表示学习的司法领域文本相似度计算。在司法领域文本表示方面,考虑到知识图谱拥有极强的异构信息的表示能力和灵活的建模能力,本文通过对司法领域文本构建案情知识图谱,以表示要件事实和法律关系,不仅避免了司法领域文本中要件事实的冗余性问题,还引入了概念层次的知识和领域知识,丰富了对案情信息的表示。在知识表示方面,提出了案情知识图谱的无标签化和泛化操作,增强知识图谱的运算能力和特征表达能力。在文本相似度计算方面,本文构建了图卷积神经网络和孪生卷积神经网络对案情知识图谱进行特征提取,以学习案情知识图谱的特征表示作为文本特征向量计算司法领域文本之间的相似度,并且提出了Drop＿node抑制图卷积神经网络的过拟合。本文采用了“中国法研杯”司法人工智能挑战赛的数据集,在该数据集上的实验结果表明,本文提出的基于文本表示学习的方法在司法领域文本相似度问题上取得了很好的效果。