近年来,机器学习发展迅速,尤其是在自然语言处理领域取得了重要的突破。文本分类是自然语言处理中的一个重要研究领域,其中层级多标签文本分类发挥着重要作用,广泛应用于许多任务中。在层级多标签文本分类任务中,层级结构定义了标签之间的隶属关系,这使得标签之间不再独立,增加了文本分类的难度。层级多标签文本分类任务通常会面临文本特征提取困难、标签的层次结构信息无法被有效利用等挑战,为了提升层级多标签文本分类任务的分类精度,本文设计了一种基于潜在空间的层级多标签文本分类方法（Hierarcial Multi-label Text Classification Based Label Space,LS-HMTC）和一种基于图卷积神经网络的层级多标签文本分类方法（Hierarcial Multi-label Text Classification Based Graph Convolution Neural Network,GCN-HMTC）。LS-HMTC利用标签空间降维（Label Space Dimension Reduce,LSDR）技术将标签空间嵌入到潜在空间,GCN-HMTC将每个标签看作独热向量,通过图卷积神经网络学习每个标签的标签嵌入。本文主要的研究工作如下:1.LS-HMTC首先使用了两个编码器提取到包含丰富语义信息的文本特征。在多标签分类任务中,通常使用标签空间降维技术来解决标签空间稀疏等问题,LS-HMTC将标签空间降维技术用于层级多标签分类任务中,同时,为了避免显式标签空间降维带来的弊端,LS-HMTC在训练过程中学习解码矩阵,随后利用层级多标签文本分类任务中的标签层次结构信息,显式编码节点之间的联系,调整输出概率。最后通过实验证明,LS-HMTC在层级多标签文本分类任务中是有效的。2.GCN-HMTC首先使用编码器获得每个单词的词嵌入,词嵌入中包含了上下文信息。然后,构造了标签节点和单词节点的异构图,通过连接标签-标签节点、标签-单词节点、单词-单词节点,建模了标签、单词之间的联系,利用图卷积神经网络强大的传播能力,获得每个标签的标签嵌入,随后利用注意力机制根据不同单词对每个标签的贡献,聚合得到最终的分类向量进行分类。最后通过实验证明,标签嵌入模块在GCN-HMTC中是不可缺少的,GCN-HMTC在层级多标签文本分类任务中是有效的。