文本分类是自然语言处理领域中一个经典而又重要的任务。现有的大多文本分类方法都侧重于文本表示,然后使用机器学习算法或深度学习模型进行分类,但这些方法没有考虑文本间隐含的相互关系。对此,本文构建了两种基于图卷积神经网络的文本分类模型HGCN以及HGCN-BERT,在图卷积神经网络中引入文本异构图和注意力机制,得到数据的全局信息来解决上述问题。HGCN模型通过文本异构图将数据集中的信息转化为拓扑图结构表示,将数据集中默认相互独立的文本建立起相应联系。为提高文本分类效果,HGCN模型通过引入文本主题信息,挖掘出文本隐藏的信息扩充了文本信息量,解决了短文本分类情境下信息量稀疏的问题。本文提出融合多级注意力机制的图卷积神经网络,根据节点类型和节点属性的不同,赋予节点不同权重,根据权重对节点信息进行融合得到节点的嵌入表示,最终得到带有全局信息的节点嵌入。HGCN模型通过节点嵌入提升了分类的准确率,但会丢失一些文本的语序信息。针对HGCN模型中文本转化为图结构时丢失文本的语序信息的问题,本文提出基于图卷积神经网络的文本分类模型HGCN-BERT,该模型融合了图卷积网络提供的全局信息与BERT预训练模型的局部信息,将Bi-LSTM与Attention机制结合,用以对文本进行语义表示,最后输出文本的预测类别,完成分类任务。本文就HGCN模型的文本分类效果和HGCN-BERT模型文本分类效果分别设置了不同的实验与基准模型进行对比,用于验证本文技术的可行性与优势。实验表明,HGCNBERT模型在准确率上的表现优于基准模型,证明了本文方法的有效性。