近年来,互联网信息技术的发展日新月异,互联网产生了海量的文本数据。文本数据之间往往存在着联系,将数据本身抽象为节点,数据间的联系抽象为边,构成复杂的图结构化网络,而节点分类则是处理图结构化文本的一项重要任务。本文的研究内容针对如何提高图结构化文本中节点的分类效果,从规则图结构化文本的节点分类和不规则图结构化文本的节点分类两个方向进行研究,主要内容如下:一、在规则图结构化文本的节点分类任务中,传统的单通道神经网络模型仅考虑提取文本序列某一方面的特征信息,不够全面。针对这一问题,构建transformer-capsule集成模型,该模型采用双通道形式,上通道利用capsule模型提取出文本序列的局部短语特征,下通道利用transformer模型提取出文本序列的全局语义特征,然后进行特征融合,得到的特征向量兼顾了两个单通道模型的优点。此外,对传统的capsule模型做出了改进,在相邻两个胶囊层之间引入注意力机制,更合理地给参与信息传递的胶囊分配相应的权重值,从而降低噪音胶囊对分类结果的干扰。二、在不规则图结构化文本的节点分类任务中,目前GAT模型存在增加图注意力层数反而会降低模型分类性能的问题,普遍的图卷积层数设置为3层,远远达不到深度学习的“深度”要求。针对这一问题,在GAT模型中引入门控机制以及残差连接机制,构建GRGAT模型,一方面通过门控机制筛选过滤特征子空间中的无用信息,另一方面通过残差连接机制能够让信息流跨层融合。GRGAT模型将GAT模型中的3个图注意力层数增加到了18层,通过实验验证了GRGAT模型的有效性。