作为自然语言处理（Natural Language Processing,NLP）中的一个基本问题,文本分类是根据文本内容将给定文档分配到一个或多个类别的任务。根据每个文档对应类别标签的数量,文本分类可以分为单标签文本分类和多标签文本分类。在实际任务中,许多文档都可以归类到多个类别,而这些类别之间也存在着一些联系,可以组织成树或有向无环图。将多个层次结构的类别分配给文档的任务称为层级性多标签文本分类任务（Hierarchical Multi-label Text Classification,HMTC）。在层级性多标签文本分类任务中,和一个文本匹配的类别可以在多个层次结构中同时出现,任务中需要匹配到所有和文本相关联的类别。层级性多标签文本分类任务在现实中也有着一些应用,比如在电商平台上,商品标签是层级性的,如饰品-服配-围巾或饰品-眼镜-太阳镜。根据商品的文本描述,对商品进行分类就是一个层级性多标签文本分类任务。现有的层级性多标签文本分类的方法大致可以分为传统方法和基于深度学习的方法两类,从分类效果来说,在大多数层级性多标签文本分类数据集上基于深度学习的方法性能更好。然而其中的大部分方法只是简单地把类别标签当做监督信息,或者简单地利用标签的嵌入表示,而没有发现标签在引导词向量嵌入表示的学习上也有着充分的作用。此外,其中的大部分工作只考虑到了不同层级的标签之间的垂直相关性,而忽略了同一层级的标签之间的水平相关性。本文提出的第一个工作是基于标签语义引导松耦合异构图卷积网络（Loosely Coupled Heterogeneous Graph Convolutional Neural Networks,LCHGCN）。LCHGCN能够学习单词、文档和标签的嵌入表示。而在其他模型中,经常忽略标签节点在引导学习单词嵌入中的作用,也忽略了标签节点的嵌入表示在分类任务中的作用。此外,LCHGCN没有使用紧耦合的方法,将所有的节点加入到一张图中,而是将单词节点和标签节点作为核心图,将文档节点和单词节点作为单词-文档图。这种划分方法在降低运算复杂度的同时,也能有效避免在图神经网络层级过高时发生的过平滑[1]（over-smoothing）问题。此外,核心图中只采用单词节点和标签节点,也可以避免不同种类节点引导单词表示学习时发生的信息混淆问题。本文提出的第二个工作是基于标签间垂直和水平结构的层级性多标签文本分类框架（Horizontally and Vertically Hierarchical Multi-label Text Classification,HVHMC）。以往的工作在处理标签结构时,往往能考虑到各层级之间的垂直依赖,然而忽略了同一层级标签之间的水平依赖。我们提出的HVHMC考虑了标签结构之间水平和垂直两方面的依赖关系,使得模型更能捕获到类别和文档之间的关联。我们将本文提出的两个方法应用到了三个有现实意义的层级性多标签文本分类数据集上,实验结果表明本工作中的方法有着最好的性能,这证明了我们方法的有效性。