文本分类是自然语言处理领域中最基本的任务之一,在生活中有广泛应用。深度学习方法在该领域的不断发展,已经取代了传统机器学习方法,其自动提取特征,将特征提取和分类融合进行端到端学习,取得了很好的分类性能。但是文本结构包括逻辑结构和组织结构,文本的组织结构包括字—词—句三个层次。目前所有的深度学习模型基本都针对文本组织结构进行创新和改进,未考虑文本的逻辑结构。文本的逻辑结构包括标题和正文信息,标题句子短,属于短文本,但是反映整篇文本的核心内容,正文一般大于2000字,属于长文本,目前主要的方法均是将标题和正文直接连接起来,作为一个文档来进行文本分类,忽略了标题虽然短,但包含的信息量更准确更充分的特性。本文针对该问题,开展了以下两方面工作:首先将新闻文本分为标题和正文两个部分,分别抽取特征。针对正文文本将词进行向量表示后,利用CNN/LSTM抽取出正文文本的特征表示;针对标题文本构建文档—词的图结构,然后将正文文本特征作为文档节点的特征引入到标题构建的图结构中。最后通过图卷积网络模型学习融合标题和正文信息的嵌入特征表示,并进行文本分类。并将该模型与Text CNN、Bi LSTM、Bi LSTM-attention、LSTM-CNN模型进行对比,在THUCNews数据上研究表明,该方法取得了改善了分类效果,证明了该模型的有效性。第二为了进一步提升模型性能,针对以上模型未能很好提取标题特征,提出引入主题和注意力机制来解决标题语义稀疏性。该模型利用标题文档获取潜在主题,取排序在前的n个主题作为标题的附加信息,并根据文档、主题、词三类节点构建异质图。考虑不同类型邻居节点以及不同的相同类型邻居节点对当前节点的贡献度不同,引入双层注意力机制,进行加权求和来表示当前节点,提高分类效果。在THUCNews数据上研究表明,该模型进一步提高了文本分类结果。本文同时考虑标题和正文对文本分类的贡献,设计模型,对标题和正文分别进行特征提取并融合,最后进行分类。实验结果表明本文提出模型进一步提升了分类效果。