随着数字化存储的法律案件文本数量的激增,法务工作者和普通大众可以更轻松的对这些资料进行查阅,但从这些文本中检索到有用的信息也会耗费大量时间,因此设计算法准确地查找信息非常有意义,相似案例推荐就是其中很重要的一环。本文提出了一个基于图嵌入的无监督法律文本表示算法,该算法结合了案件文本中包含的法律要素信息和文本的语义信息。首先抽取出每个案例所包含的法律要素,然后,在每一个法律要素维度生成一张子图,节点为每一个案件,边代表两个案件包含该要素。进一步地,利用图嵌入算法为每个案例生成每一个法律要素维度的向量表示,最后将不同维度的向量表示进行汇集,形成一个单独的向量来表示文本,利用该向量来计算任意两个案件的相似度。考虑到不同法律要素的重要性程度不同,但法律法规中没有明确的规定不同要素的重要性,因此,在汇集多个维度法律要素向量表示的时候,本文利用判决结果作为标签训练模型,使得模型能够学习到不同要素之间的权重信息,利用这些权重信息得到一个文本的最终向量表示,进而计算案件的相似度。由于相似案例的认定在法律领域没有严格的规定,即没有一个充要条件来定义两个案例的相似性,并且在刑事类案件领域缺乏权威的相似案例数据集,这为模型的评估带来了困难。但由于国家对类案类判的要求,导致了相似案例存在必要条件,即相似案例具有相似的判决结果,因此本文利用判决结果设计了一个案件相似性的评估指标,用于评估本文提出的模型。最后,本文在一个真实的数据集上进行测试了本文提出的模型,发现本文提出的模型推荐的相似案例显著地优于传统的文本相似度计算方法。