刑期预测旨在根据刑事案件中案例事实描述来预测出判决刑期的结果。针对浅层特征或者子任务之间的依赖关系并不能很好解决同罪不同判的案例问题,也就是说同一罪名的案例存在刑期判决结果不同的问题,那么要想有效的解决该刑期预测问题,语料的处理及构建以及如何高效的提取案例描述中的关键要素变的尤为重要,然后基于关键要素较好的实现刑事案件的刑期预测。因此本文针对同罪刑期不同判的问题主要做了以下几方面的研究工作。1.面向刑事案件文书语料构建。本文首先是从法研杯2018大赛任务中将语料集进行下载,然后综合分析数据,通过模式匹配的方法抽取本文实验所需的语料部分,即fact和term＿of＿imprisonment分别所对应的属性值,其次是对得到的数据进行清洗加工处理,最后考虑刑期类别存在不平衡问题,通过爬虫技术从裁判文书网进行爬取,进而加工处理对低频类进行扩建。2.基于双层LSTM(Long Short-Term Memory)-Attention端到端的关键要素提取方法。该方法利用序列标注的思想,首先是使用jieba工具对语料进行分词,词性标注工具LAC(Lexical Analysis of Chinese)进行词性标注,进而使用Word2vec中的skip-gram模型对分词语料进行词向量模型的训练,然后通过词向量模型获取案例描述中每个词的词向量作为LSTM的输入,获得案件描述文本的语义信息表征,其次通过Attention机制得到语义信息表征中的重要词表示,最后利用LSTM对编码好的重要词表示进行解码,进而得到动词和名词词性所对应的词作为本文所要提取的关键要素信息。3.基于BERT(Bidirectional Encoder Representations from Transformers)模型并融合关键要素的刑期预测方法研究。该方法首先借用序列标注的思想通过带有注意力机制的长短记忆网络模型(LSTM)训练得到关键要素信息,进而对其进行向量表示,然后利用BERT模型得到案件表示向量,最后将关键要素向量表示与案件要素向量表示进行融合,通过softmax分类器训练得到刑期预测模型。