法律智能,旨在应用人工智能技术赋予机器理解法律文本数据的能力,以帮助解决法律领域的各项难题,是自然语言处理的重要应用场景之一。文本问答,旨在构建能够回答自然语言形式问题的系统,是自然语言处理领域内最具难度的挑战之一。法律文本问答,又称法律问答,是法律智能中的一个典型应用,同时也是现实中法律咨询的一个重要组成部分。一个好的法律问答系统能够为许多人带来极大的便利,因此具有重大的研究价值。近年来,随着以裁判文书为代表的大规模法律文本数据的不断公开以及自然语言处理技术的快速发展,有关应用人工智能技术为司法领域赋能的研究取得了瞩目的进展,这些研究的成果将有助于辅助司法从业人员提高处理案件的效率。法律问答作为法律智能中的重要应用,也受到了学术界和工业界的极大关注,逐渐成为法律智能研究的热点之一。目前,法律问答研究仍存在许多挑战:1)公开司法大数据的构建需要耗费大量成本,当前仍缺乏面向具体场景的与较新事件相关的公开法律文本数据,如与新冠肺炎疫情相关的裁判文书数据;2)当前面向检索式问答的语义匹配模型存在语义表征学习与检索式目标不一致的问题;3)当前法律开放域问答方法的模型结构无法有效利用法律知识,当前知识利用方法存在制约模型性能的问题。因此,为了应对上述挑战,本文聚焦法律文本智能问答,从面向具体场景的法律文本数据的收集与构建、语义匹配模型和法律开放域问答中知识利用方法等方面展开有关关键技术研究与实验分析。本文主要贡献总结如下:第一、针对当前有关新冠肺炎疫情的公开司法数据集的缺乏问题,以及当前语义匹配模型的有监督训练目标与检索式方案设计的不一致问题,本文首先从有关官方网站收集并人工标注构建了一系列支持问答系统实现的数据集,同时提出了一个由对比学习任务辅助训练的语义关系学习网络。该网络引入了句子级的有监督对比学习任务,通过将该任务与语义关系学习任务进行联合训练来解决上述提出的问题,并有效学习到了可进行语义区分的句子表征。在数据集上的实验结果表明,相比之前的模型本文提出的方法取得了极大的性能提升。基于上述贡献,本文开发了一个基于微信公众平台的法律智能问答系统,为相关问答系统的设计实现提供了有益的参考。第二、针对当前开放域问答流水线方法不能直接适用于法律开放域问答任务JECQA的问题,以及当前JEC-QA任务的最先进方法无法有效利用知识信息的问题,提出了一个面向JEC-QA的补全-检索-问答网络。该网络包含科目信息补全、相关依据抽取以及问答模型三个模块。其中,我们提出了基于问题-依据关系图的问答模型。具体而言,在该模型中我们首先构建了问题-依据关系图,然后使用了图注意力来完成依据表征的选择与聚合,以在关系图上实现依据信息的有效利用并提高模型的性能表现。在基准数据集上的实验表明,本文提出的方法使得模型的答案预测精度得到大幅度提升。