互联网的迅速发展使得网络数据呈爆炸式增长,如何在海量文本数据中快速、准确地获取用户需求的信息成为人们面临的一个挑战。搜索引擎为人们查找信息提供了一种便捷的工具,但当查找内容属于边界比较模糊的某一范围时,难以通过关键词对查询或检索条件进行准确定义。因此,如何对这一类关键信息进行界定以及识别定位都存在较大困难。针对以上问题,本文提出样例描述式定义关键信息方法,结合深度学习理论与自然语言处理技术,构建了两个基于神经网络的关键信息判别模型,以实现文档关键信息准确定位。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。论文的主要工作如下:(1)针对文档句子级别关键信息查找任务,提出了一种基于注意力机制的关键信息识别方法。该方法从关键信息和候选句子的特征提取出发,利用双向门控循环单元获取二者的语义表示,通过计算文本语义相似度对候选句子进行判别。在文本语义表示方面,设计三种注意力计算方法对文本不同层次的语义特征进行提取。实验结果表明,所提关键信息识别方法能够有效识别文档中的关键信息,与未引入注意力机制相比模型识别准确率有所提升,由此说明注意力机制可以更好地捕获文本语义表示,提高关键信息查找效果。(2)针对前述关键信息识别方法未考虑文档上下文信息的缺陷,提出一种结合上下文的关键信息定位方法。它以构建结合上下文信息及关键信息感知的文档表示为目标,实现文档内部任意片段的关键信息定位。在该方法中,首先采用双向LSTM网络直接对文档进行建模,使文档编码表示蕴含上下文信息。接着利用文档与关键信息之间的双向交互注意力,获得关键信息感知的文本表示。考虑文本表示过程中信息丢失问题,融入自注意力机制增强文档编码。实验结果表明,与前述方法相比,该方法对关键信息识别的准确率和F值分别提高了3.3%和1.6%。