文本分类是自然语言处理领域的一个经典任务。随着信息技术的高速发展,复杂多样的文本信息层出不穷,日渐丰富。如何对海量的文本数据进行准确分类,成为目前的研究热点。虽然传统的深度学习方法在文本分类任务上取得了一定的研究成果,但是探索更优越的文本分类方法仍然是研究者需要思考的问题。近期图神经网络进入了研究人员的视野,它在自然语言处理领域的各项任务中都表现出卓越性能。但是图神经网络没有充分考虑包含不同类型节点的异构图,异构图具有异构性和丰富的语义信息,这给图神经网络在异构图上的应用带来了巨大的挑战。此外,图神经网络无法取代传统的深度学习模型,它忽略了文本连续的语义特征和语法信息。针对这些问题,本文做出以下研究:一、由于当前图神经网络构建图的方式无法捕获复杂的结构和丰富的语义信息,本文提出一种新颖的构建方法,使用TF-IDF、PMI以及引入LDA主题模型的方式构建包含文档、单词、主题三类节点的异构图。并且使用异构图卷积,将不同类型节点投影到一个公共空间中。由于图神经网络模型没有同时考虑邻居节点和不同类型节点的重要性,因此无法充分提取异构图的信息。本文构建异构图注意力网络模型,使用类型级和节点级的注意力机制,类型级的注意力机制可以学习到不同类型元路径的重要程度,节点级的注意力机制可以学习到当前节点与其相邻节点的重要程度。最后通过两层网络结构促进信息的流动和聚合。二、由于传统的预训练模型无法解决单词的多义性问题,并且Bi LSTM模型无法区分不同单词对于分类的重要程度,因此本文构建Bi LSTM-Att模型。模型使用ELMo进行预训练,ELMo可以不依赖高性能的设备并且可以根据语境的不同生成动态词向量,解决了单词的多义性问题。此外模型还加入多头Attention机制根据单词的重要程度分配权重。由于Bi LSTM-Att模型可以捕获词序列中连续的语义和语法信息,而异构图注意力网络可以捕获图全局的结构信息,因此本文构建了异构图注意力网络和Bi LSTM-Att的联合模型。联合模型融合了两个模型的优点,提高了分类的准确性。实验结果表明,本文模型在文本分类任务中展现出了较好的性能,充分证明了本文模型的有效性。