文本分类任务在金融行业研究中有重要意义,服务于风险控制、股票预测、证据公开和流程规范等方向。当前成熟的通用文本分类方法仅考虑了语义信息,应用在金融领域的细粒度分类体系中时表现欠佳。针对此问题,本文根据文本和命名实体之间的蕴含关系构造金融文本-命名实体图网络结构,通过在图网络上进行卷积让文本表征同时融合语义信息和领域内知识信息。当前工业界应用效果突出的图表征学习方法通常基于有监督的方式,依赖人工标注的数据集,而在无监督方式上的探索稀少,且传统无监督方法的图表征学习模型效果难以保证。近年来对比学习在图表征学习上突破了传统无监督学习方法的效果瓶颈,但现存方法忽略了负样本数目对效果的贡献,且面临大型图网络时,通过随机采样节点的方式获得全局表征,损失了局部表征和全局表征之间的互信息,尚未能达到工业应用的效果要求。因此,本文提出采用自监督动量对比方法来学习图网络表征的模型（G-MoCo）:·本文将文本分类问题转化为图表征学习任务,结合领域知识表征文本。针对成熟文本分类方法在垂直领域内的细粒度分类效果不佳的问题,本文通过构建文本-命名实体图网络,将问题转化为学习图节点表征,使得语义信息和领域知识信息同时融入文本节点表征中,再将文本表征输入下游分类器,通过提升文本表征能力来提高金融领域文本分类效果。·本文采用考虑节点相互影响的子图采样方法。针对现有方法局部表征和全局表征互信息损失的问题,本文在完整图上采样子图,使用子图中的节点作为局部表征,子图的所有节点信息压缩后作为全局编码,再使用子图的局部和全局编码进行对比学习。在采样子图过程中,本文使相互影响程度更高的节点对有更大的概率被采样在一张子图上。一方面使用子图进行学习能降低计算内存需求,另一方面在子图上计算的局部和全局表征关联性更高,不会损失互信息。该方法使模型的Micro-F1精度提升6.9%。·本文提出基于动态字典和动量对比的图表征学习模型。针对现有对比学习方法忽略负样本数量的问题,本文采用动态字典来扩充负样本数目,并分别为正负样本设计单独的编码器,只使用正样本做反向传播更新参数,负样本的编码器采用动量更新的方式以减少计算量和保持字典中负样本表征的一致性。该方法使模型的Micro-F1 精度提升 7.4%。·本文采用正则项去除采样子图引入的偏差。由于采样子图过程中每个节点出现的概率不一致,导致学习过程中会给被经常采样到的节点更大的关注度,本文在卷积网络的聚合函数和损失函数中分别引入了正则项消除偏差。该方法使模型的Micro-F1精度提升9.6%。