互联网的发展,使得每天都在产生海量数据,且数据规模不一、形式各异,而文本分类技术可以高效准确地将海量数据进行归类,方便用户获取数据。文本分类作为自然语言处理中的一项关键子任务,目前已取得了不错的成果,但大多数模型仅将文本进行向量化表示,认为文本与文本之间相互独立,在多数引文网络数据集上模型并没有取得最佳效果。因此文本首先提出了一种文本图结构化表示方法,在图中不仅考虑单词与单词、单词与文本之间的相关性,还基于稀疏表示和协同表示方法将文本与文本之间的联系表现在图中,将单词与单词、单词与文本以及文本与文本之间的联系体现在图中各节点之间的边上。之后,提出了双层图卷积网络文本分类模型,将传统的文本分类问题转化成图中节点分类问题,同时研究了模型中图卷积层数对于分类效果的影响,并将模型应用在多个数据集上,在多数数据集上文本分类的效果都得到了提升,但对于规模较大的数据集,分类效果没有达到最佳。为此,本文在双层图卷积网络文本分类模型基础上添加了两种注意力机制,分别是节点内注意力机制,用于获取文本的关键特征;图上文本节点之间边的注意力机制,提取图中边的高维特征。通过添加注意力机制,模型在大规模数据集上的表现也得到了提升。本文提出的文本表示方法将文本之间的相互关系融入图卷积文本分类模型的训练过程中,通过实验验证了注意力机制对模型的影响,最终,在多个数据集上的实验结果表明,本文提出的模型对文本分类效果的提升有积极作用。