随着互联网应用的普及,网络作为民众表达司法民意的新渠道和参与司法过程的新方式,对司法活动以及司法公开有重要的影响。一方面网络舆论起着加强司法监督的作用,另一方面司法公开也会面临网络舆论的风险。如何对司法案件的舆论风险进行有效评估,是一个具有现实意义的待解决问题。传统的司法案件舆论风险评估大多通过人工的方式进行,由于需要处理的数据多,缺乏统一的评判标准,往往存在人力成本高、效率低的问题。本论文针对这一问题进行研究,将文本挖掘技术应用到司法案件舆论风险评估中,提出了一种基于语义相似性的司法案件舆论风险评估方法,并设计实现了相应的系统。本文的工作得到了国家重点研发计划项目“内外贯通的审判执行与诉讼服务协同支撑技术研究”(2018YFC0831300)的支持。论文的主要工作包括:(1)提出了一种基于Siamese LSTM的句子语义相似度计算模型。针对传统的句子语义相似度计算需要通过构建特征工程人工提取句子特征的问题,论文在引入深度学习模型的基础上,提出了一种基于Siamese LSTM的句子语义相似度计算模型。该模型以孪生神经网络为基础结构,通过使用双层堆叠的Bi-LSTM并结合注意力机制获取句子的语义特征,从而提升了模型的有效性。(2)通过实验验证了所提出模型的性能。在较大规模的中文句子对数据集的测试集上,模型的准确率达到了85.9%,F1值为87.1,优于CBOW、CNN、Bi-MPM等模型。此外,针对模型使用的基础结构与关键技术,论文设置了三组对比试验,实验结果表明,使用孪生神经网络、设置合理的Bi-LSTM堆叠层数以及引入注意力机制可以有效提高模型的准确率。(3)设计并实现了司法案件舆论风险评估系统。使用Flask并结合bootstrap框架,设计并实现了基于语义相似性的司法案件舆论风险评估系统,提供从数据采集到风险评估等整个过程的可视化操作。该系统可以对当前司法案件进行舆论风险评估,提高了评估效率。