数字媒体技术的不断发展,使文本信息呈现爆发式的增长,现有传统文本阅读形式已经不能满足人们的需求,文本推荐系统应运而生,其中文本分类的准确性起到了决定性的作用。文本分类算法是基于原始文本数据中所提取出的特征进行预测文本数据类别的一种方法。然而现有文本分类算法存在无法较好的获取远距离文本之间的关联以及边界数据和异质数据等信息不能够很好地融入神经网络等多种问题,导致文本分类的准确率不够高。因此,本文对基于传统深度学习网络和图神经网络的文本分类方法展开研究,并针对两种算法网络模型进行改进,设计出基于EDA中文文本分类算法和L-Text GCN英文文本分类算法,用以提升中英文文本分类的准确率。论文的主要贡献如下:（1）为了提高中文文本在有文本语义信息欠缺和获取远距离文本关联信息较差等因素影响下文本分类的准确率,本文提出了一种基于优化ERNIE预训练模型的中文文本分类网络模型（EDA）。首先,该模型通过使用ERNIE预训练模型丰富中文文本语义信息来得到更好的文本表示形式;然后,将丰富语义后的文本信息输入到本文改进的深度等长卷积网络当中,从而能够更好地提取文本长距离之间的文本关联信息;其次,将输出的结果信息输入到具有加性的注意力机制当中,针对文本每个位置获取其相对应的权重值;最后进行文本分类。通过在数据集清华NLP组所提供的THUCNews数据集上进行实验,结果数据表明本文所提出的网络模型准确率相较于BERT模型提高了4.68%,损失率降低了0.1。（2）针对英文文本中存在的异质文本信息,本文采用图神经网络来构建文档和词、词和词之间的关联结构来获取两者之间的隐藏信息。为了使英文文本分类的结果更加准确,本文提出了一种基于优化图卷积网络的英文文本分类网络模型（L-Text GCN）。与传统的图卷积网络相比,首先,本文模型采用Mish激活函数对硬零边界数据进行一定的改善,解决了梯度消失的问题,使得文本数据中的负值信息可以更好地深入到神经网络中;其次,修改参数优化中二阶梯度的滑动平均处且删除动量的一阶梯度的滑动平均偏置校正,通过增大上一时刻的参数梯度的贡献值使得网络中历史累计梯度的比重越来越大,最终达到图卷积网络的长期记忆效果;最后,通过对多个数据集进行实验对比,本文提出的L-Text GCN模型分类结果的精确度提升了0.16%,0.78%,0.79%,0.32%。（3）论文基于上述工作,设计和开发了一款中英文新闻文本分类系统原型。通过提高中英文文本分类的精准率,将更准确的文本类别对应的新闻文本推荐给用户来提高用户在阅读新闻时候的体验感与便捷度。综上所述,通过对现有的中英文数据集进行实验,证明本文所提出的中英文文本分类网络模型具有更加精准的分类结果,同时可以将各类别新闻快速地推荐给用户,大大的提高了用户体验。