文本分类是自然语言处理领域的一项关键任务,并被广泛应用于虚假信息检测、情感分析、自动问答等现实场景。传统机器学习方法需要人工提取特征,这种复杂耗时的方案不再适用于当下大量实时涌现的文本流。深度学习的兴起解决了这一问题,能自动处理大量文本信息。但是,基于深度学习的方法局限于文本内部单词交互,忽略文本之间的联系以及单词的全局共现关系,难以解决长距离依赖和非连续性问题。最近,基于图神经网络的方法在文本分类任务上取得了优秀的效果,这种方法不再将文本视为序列结构而是单词的共现集合,利用图神经网络聚合邻居节点的信息实现文本分类任务。本文围绕如何利用图神经网络模型进行文本分类任务展开研究,主要从以下两方面进行:（1）针对文本级图模型难以融合全局信息的问题,提出一种双滑动窗口的文本图构建方法提取单词的全局共现信息,并利用图神经网络模型更新节点表示,实现高效准确的文本分类。大量实验结果表明,提出的方法在多个数据集上都取得了最好的分类效果。首先,设计一种双滑动窗口的构图方法,将单词的全局共现信息融合到文本图结构中。其中,局部滑动窗口在文本内滑动确定单词之间的连边关系,为模型提供单词局部连接信息。全局滑动窗口在文本间滑动确定单词连边权重值,为模型提供单词全局共现信息。然后,利用图神经网络学习单词的低维嵌入表示,通过聚合邻居节点信息和边权重,将局部信息和全局信息充分融合到低维单词表示中。最后,利用注意力机制学习图中单词节点的重要性,并结合最大池化和平均池化将单词嵌入转化为图嵌入,分别从整体和局部的角度充分学习图嵌入表示,实现文本分类任务。（2）针对语料库级图模型难以融合局部语义信息以及实现归纳学习的问题,提出全局结构信息提取策略和局部语义信息提取策略,并在模型损失函数中引入正则化项将两种信息融合,实现具有归纳学习能力的文本分类模型。大量实验结果表明,提出的方法在多个数据集上都取得了最好的分类效果。首先,设计一种全局结构信息提取器,将文本集合转化为异构图模型,并利用多层图卷积神经网络模型学习文档嵌入表示。多层图卷积神经网络模型包含子图卷积神经网络层和图注意力层。子卷积神经网络层聚合邻居节点的信息,图注意力层为更重要的邻居节点分配更大权重。多层图卷积神经网络帮助模型学习高阶的邻域信息,使得文档节点之间也能进行信息交互。然后,设计一种局部语义信息提取器,采用双向的门控循环单元模型对单个文本序列建模。双向门控循环单元分别从前向和后向学习文档表示,使得模型能更好的学习上下文信息。最后,基于对比学习的思想提出一种改进的损失函数策略对模型进行训练。引入相对熵散度,用图卷积神经网络模块输出的概率分布约束双向门控循环单元模块输出的概率分布,并计算两个概率输出的相对熵散度作为正则化项加入损失函数,使得双向门控循环单元模块最终学习到的文本表示既带有局部语义信息也包含全局结构信息。在预测阶段,使用门控循环单元模块对新文本进行分类预测实现归纳学习。