文本分类是自然语言处理领域的重要分支,近年来吸引了众多科研工作者的关注。由于文本数据易于编辑等特点,网络中大部分文本是由用户手动构建并上传。因此,对网络文本的规范化处理并进行不同粒度的文本分类对信息检索领域有着至关重要的意义。传统的文本分类是将文本作为序列化的信息来进行处理,使用一条文本中前面的序列预测后面的序列、通过中心词对上下文进行预测等方式,使分类器在继承旧序列信息的同时学习新序列的知识,从而编码整个文本序列的信息。由于文本类数据集中不仅包含有序列信息,文本之间还隐含着类似图结构的相互作用关系,例如:知识图谱、社交网络等。为了对此类信息进行建模,近几年,基于图神经网络的文本建模方法逐渐引起了研究者的注意,该类网络能够将序列化的文本数据构建为图结构数据,将文本中的字、词乃至整条文本作为图的节点,文本之间的相互作用关系作为边,通过节点之间的边传递信息以特征聚合。基于上述所说,本文以图神经网络为研究方法,地理文本和用户检索日志文本作为研究对象进行文本分类任务。本文的主要研究内容如下:（1）针对地理文本的二分类问题,本文提出了一种基于注意力机制的图神经网络。该方法首先将地理文本中的地理信息构建为具有全局信息的图结构文本,然后在图卷积网络的基础上引入了注意力机制对地理文本中的地理信息赋予更高的权重,增强图注意力网络捕获文本中关键信息的能力,实现从网络数据中识别出蕴含地理信息的地理文本,本质上属于文本二分类任务。为了验证上述两种方法的有效性,本文构建了包含地理信息的文本二分类数据集用于验证图注意力网络的有效性,为了使模型识别含有地理信息的文本,总结了现有公开的中文数据集,手动标注并构建了适用于地理文本分类的中文数据集。（2）针对用户检索日志文本的多分类问题,本文提出了一种基于分散-聚合的超图神经网络。该模型的目标是利用用户在搜索引擎中输入的检索文本配合检索结果来识别用户真实的检索意图,本质上属于文本多分类任务。该方法还解决了对大规模用户检索日志文本数据建模的问题,同时能够识别文本间的高阶语义信息来完成文本多分类。模型将百万级别的数据集分为多个小型的子数据集,对每个子数据集构建超图并在隐式特征水平聚合,通过分散-聚合的方法不仅完成了大规模的用户意图识别任务,还能够生成全量数据集的全局特征表示。为了验证模型的有效性,本文构建了包含多属性用户搜索日志的文本多分类数据集。数据集包含300万用户搜索引擎中的搜索日志,每条日志包含文本字段和标签字段。此数据用于验证超图网络模型生成全局特征和高精度文本分类的能力。