互联网的迅猛发展产生了大量文本形式的数据,如网页,新闻,论文,邮件,用户评论等。通过挖掘数据隐含的特征,自动对这些数据进行分类,能够辅助人们做出决策,提高工作效率。文本分类任务一直是研究的热点之一,广泛应用于问答系统,推荐,情感分析等任务中。当前,利用深度学习技术进行文本分类已成为一种流行的方法。图神经网络是深度学习模型的一种,它融合了深度学习算法和图算法,能够捕获图中节点之间丰富的关系,保存图的全局结构信息,只需较少的标注数据就能获得不错的效果。但大多数现有的图神经网络模型忽略了输入文档和标签之间的语义关系,对标签信息的利用不充分以及基于图卷积神经网络的文本分类模型忽略了节点之间的差异,不能够提取与节点相关联的重要信息,基于异构图卷积神经网络得到的文档节点表示区分性不够强。针对以上问题,本文提出了一种融合标签和双级注意力机制的异质图卷积模型HGCNLA（Heterogeneous Graph Convolution Network with Incorporating Label and Dual Attention）,力图充分利用标签以及节点之间的相关性,并将二者相结合,并使得得到的文档节点表示更具有区分性,以提高图神经网络模型在文本分类任务中的准确率。本文具体工作内容如下:1、针对忽略了输入文档和标签之间的语义关系问题,本文提出了一种融合标签的异质图构建策略。该异质图包含词节点,文档节点,标签节点;对词节点和词节点、词和文档节点、文档节点和文档节点、文档节点和标签节点、标签节点和标签节点建立边。通过异质图来获取文本中蕴含的全局结构信息,以便捕获到文档特征中包含的更多标签信息以及词,文档,标签之间的关系信息。2、针对图卷积神经网络忽略了节点之间的差异问题,引入了双级注意力模块,将异质图与双级注意力机制进行了融合。将文档,词语,标签看作不同类型节点,考虑不同邻居节点的重要性,使用了包含类型级注意力和节点级注意力的双级注意力机制。图卷积神经网络通过类型级注意力来捕获不同类型节点对图中某一节点的重要性,通过节点级注意力来捕获不同邻居节点对图中某一节点的重要性。通过使用包含类型级注意力和节点级注意力的双级注意力机制来捕获任意节点不同类型节点的重要性和任一节点不同邻居节点的重要性。3、针对异构图卷积神经网络得到的文档节点表示区分性不够强问题,为了使得得到的文档节点表示更具有区分性与判别力,用于更准确地对文档进行分类,设计了一种对比损失。对于经过双级注意力后的文档表示与标签表示,以及网络最后输出的文档表示与标签表示分别进行对比损失,使得文档节点表示与它所对应的标签节点表示内积越大,文档节点表示与所有标签节点表示内积越小。从而使得文档与对应的标签更接近,与其他的标签互相分开。4、在四个公开的文本分类数据集上进行了测试,数据集包括新闻分类数据集R8、R52,电影评论数据集MR,医学文献数据集Ohsumed,并且与当前典型的方法TF+IDF+LR、Text CNN、Bi-LSTM、Fast Text、LEAM、Graph-CNN-C、Text GCN,HGAT-C（Heterogeneous Graph Attention for Classification）进行了对比。实验结果表明本文方法在最终分类性能上基本优于对比算法。另外,本文也设置了消融实验验证融合标签的异质图构建策略和异质图与双级注意力模块融合的有效性。