随着信息技术行业发展,人们通过分析现有数据,获得潜在的发展规律,提高社会各行各业的工作效率。在司法领域同样急需采用更加智能化的方法减缓法官及其专业人员的负担,使非专业人员也能及时获得相对专业的结果。因此,越来越多的研究人员开始探索如何利用案情描述等已知的信息进行智能化司法审判,缓解繁重的人力资源和时间资源。本课题通过结合司法知识图谱,将司法审判预测等价于多标签分类问题实现最终的预测。针对司法领域的专业特性,本课题利用罪名的定义描述信息作为实体选择的关键。另外,随着标签数量增加,现有特征抽取方法的表现会越来越差,而在司法智能预测领域,大空间的标签集合已经影响到案情描述文本特征抽取的精准度。因此,通过分析现有算法的不足,本课题提出以下两个创新点。首先,本课题提出结合司法图谱的罪名预测算法。通过建立一个司法图谱将所有罪名信息融合到一个统一的法律图谱中,再基于司法图谱,设计了四种类型的罪名空间关系以捕获罪名之间的信息。然后,司法图谱嵌入这些关系以学习鲁棒的罪名向量表示。最后,罪名向量表示和事实表示被共同输入到基于注意力机制的神经网络中进行预测。通过在三个真实数据集上进行实验,证明了该模型的有效性。其次,本课题提出了司法领域基于多维度的文本特征抽取算法。不同位置的卷积结果应具有不同的重要性,因此,通过利用自我注意机制为不同位置的不同卷积结果分配不同的权重,并在模型中添加一个长短期记忆神经网络以获得全局特征,最终得到多维度的文本特征表达以实现更好的预测效果。在七个公开数据集上进行实验,证明了该特征抽取方法的有效性。最后,本课题设计并实现了一个原型系统。主要包括两个模块:一个是图谱可视化模块,可以查看司法图谱可视化展示,也可以实现关键词的搜索功能。另一个是司法罪名预测模块,里面集成了所有的模型研究成果,可以根据用户输入的案情事实描述,对案情结果进行预测,生成咨询意见。