چکیده: مدیریت و اداره کشورها بر پایه قوانین دقیق و صحیح پایه گذاری می شود. وضع قوانین مناسب و به هنگام می‌تواند سبب پیشرفت و تعالی یک کشور شود و استخراج دانش سودمند از میان حجم بالای این قوانین می‌تواند سبب بهبود عملکرد در سازمان ها و نهادهای قانون گذاری شود. هر قانون یک عبارت متنی است که پس از طی فرایندی با تایید مجلس به مجموعه قوانین موجود اضافه می‌شود. در بررسی هر قانون جدید، از میان مجموعه قوانین موجود، قوانین مرتبط استخراج و مورد تحلیل قرار می‌گیرد. در روند قانونگذاری در مجلس شورای اسلامی ابتدا طرح یا لایحه‌ای که در دستور کار مجلس قرار می‌گیرد، توسط کارشناسان قوانین مجلس موارد مرتبط طرح یا لایحه با قوانین جاری، مورد بررسی و استخراج می شود. در این رساله، یک راهکار نوین برای استخراج قوانین مرتبط برای یک عبارت مورد بحث از میان مجموعه قوانین موجود با استفاده از تکنیک‌های ارتباط معنایی ویادگیری عمیق مبتنی بر مدل برت و براساس معماری ترانسفورمر ارائه شده است. در این روش، جملات یا پاراگراف‌های متنی را در یک بردار با طول ثابت (فضای برداری متراکم) رمزگذاری کرده سپس از آن بردارها برای ارزیابی و امتیازدهی به ارتباط معنایی جملات با مقیاس اندازه‌گیری فاصله کسینوسی استفاده می‌شود. بدین ترتیب مدل تشخیص میدهد که کدام جملات با هم ارتباط دارند. در این روش، ماشین می‌تواند معنا و مفهوم جملات را با استفاده از روش کدگذاری مدل برت، با در نظر گرفتن موقعیت موجودیت‌های جملات درک کند. و روابط معنایی اسناد را کشف و میزان ارتباط اسناد را محاسبه کرده و شباهت معنایی آن‌ها را تشخیص دهد. برای ارزیابی عملکرد روش پیشنهادی آزمایشاتی را بر روی مجموعه داده 100 طرح و لایحه و 150 فقره قانون مرتبط انجام شده است و نشان میدهد که روش پیشنهادی با دقت 93 درصد می‌تواند روابط معنایی اسناد قانونی مرتبط با مجلس شورای اسلامی را استخراج نماید. نتایج بدست آمده از نمونه کوچک تستی دیتاست (حدود 100 طرح ولایحه و 150 فقره قانون مرتبط) نشان دهنده صحت و دقت روش پیشنهادی در تشخیص روابط معنایی اسناد قانونی مرتبط با مجلس شورای اسلامی می‌باشدودستیابی به میزان صحت و دقت عملکرد 93 درصد را نشان میدهد و باعث تسریع و بهبود کیفیت قانونگذاری از لحاظ محتوا، هزینه‌ها و زمان می شود، و رضایتمندی مردم را نیز به علت دقت در قانونگذاری و کاهش هزینه‎ها و زمان بدنبال دارد.