肖悦，马为之，张敏*，杨俊，刘奕群，马少平

（1.清华大学 计算机科学与技术系，北京信息科学与技术国家研究中心，北京 100084；2.清华大学 智能产业研究院，北京 100084）

0 引言

随着信息技术的飞速发展，在互联网上存在大量的信息资源，这使得用户筛选信息资源时需要花费大量的时间和精力，造成严重的信息过载问题。为了解决这一问题，推荐系统利用交互历史或者用户和物品信息对用户兴趣进行建模，并从海量候选信息中匹配用户需要的内容，有效地解决信息过载问题，并成为互联网中一项重要的服务。

随着司法公开的不断推进，可公开获得的司法信息的不断增多。根据中国裁判文书统计，可公开获得的案例文书达到1.2亿篇，并以每天超过5万篇的速度增加。同时用户也有对司法信息强烈的需求，不但法律从业者需要司法信息的辅助，普通民众也有日益增长的需求。司法领域信息公开成为一个重要的全新场景［1-8］，对当前的司法也造成了一定的影响［9-12］，司法信息推荐能够用来满足用户获取信息的需求并解决信息过载问题，因此司法案例推荐有重要的研究价值。

在推荐系统中，召回与精排是关键的两个步骤，现有的大部分工作关注于精排，但是对召回方法的尝试与研究有限。在实际系统中，往往存在海量的待推荐对象，如何从这些对象中找到用于精排的候选对象也同样重要，召回决定着精排模型的能力上限。司法推荐场景下的召回与现有场景下的召回存在一系列的不同之处，主要体现在以下三个方面：