互联网无时无刻都在产生新的文本数据,借助文本分类可以极大的提高我们工作或生活效率。以往的文本分类工作都是基于传统的机器学习以及深度学习来进行处理的,传统机器学习需要构建繁杂的人工文本特征,深度学习虽然避免了人工特征的构建,但是存在着梯度爆炸以及梯度消失的问题,所以导致深度学习模型无法解决文本长依赖问题,同时深度学习是对单个样本数据进行处理的,无法考虑样本之间的关联关系,所以无法良好的处理文献互引数据。图卷积神经网络能充分考虑各个顶点的关联关系,其中顶点就是样本数据,目前图卷积网络是利用词共现的方式对文本进行处理,并构建成图文本数据,利用词共现能良好的解决长依赖问题,因此图卷积神经网络是目前解决文本分类任务较为有效的方式。本文基于图卷积神经网络进行改进,对传统的图卷积神经网络进行网络重构,提高了图卷积神经网络对数据的进行特征抽取能力,本文的主要工作有以下两点:一、通过超图与图卷积神经网络结合的超图卷积网络能良好的表达数据集中的多元关系,所以有效的处理文献互引数据集,但超图卷积神经网络使用的损失函数是传统的交叉熵,交叉熵损失函数只关心正确标签预测概率的准确性,忽略了其他非正确标签的差异,导致学习到的特征比较松散,从而使得模型对每个类之间所提取的特征相差不大,只是单纯的改进网络结构无法弥补交叉熵带来的缺陷。因此本文提出了基于原型学习的超图卷积神经网络,使用原型学习来弥补交叉熵带来的缺陷,原型学习会训练出每个类的中心向量,通过计算模型输出的特征与样本相对应标签的中心向量的距离作为模型的损失,通过原型学习的方式来指导模型进行权重参数的更新,使得模型对每个类所输出的特征更紧凑,类间的特征差距更明显。通过原型学习的加入,使得超图卷积神经网络的性能有了明显的提升,极大的提升了超图卷积神经网络在文献互引数据集的分类准确率。同时构建了文本超图,将基于原型学习的超图卷积神经网络分类模型应用在文本分类上,在数据量较小的情况下也能取得不错的分类性能。二、图卷积神经网络在处理文本数据集时,没有充分考虑各个顶点的异同,限制了模型从不同角度来考虑邻居顶点信息的能力,采用图注意力机制,可以为不同顶点分配不同权重,在信息聚合的时候可以依据注意力机制使用不同的权重来聚焦于对当前任务更为关键的顶点信息,但图注意力机制需要通过顶点特征来计算图中每两个顶点之间的连接程度,而顶点特征的维度一般都比较大,且数量众多,所以这个过程极耗计算机资源。而图卷积神经网络构建图结构数据时,将所有文本以及词汇作为顶点,所以其构建的图是极其庞大的,所以图卷积神经网络很难利用图注意力处理由文本构成的图结构数据,其算法复杂度无疑成本增加。因此本文提出基于注意力机制的图卷积文本分类模型,传统的图卷积神经网络文本分类模型在更新文档顶点信息的时候是利用与其连接的词汇顶点进行信息更新的,而传统的聚合方式没有充分考虑文档顶点对每个与其所连接的词汇的异同,而实际上,每个词汇对文档的重要程度是不一样的。本文提出了轻量级的图注意力机制,避免了计算资源占用过大的问题,并搭建了基于注意力机制的图卷积文本分类模型引导模型关注相关性更大的词汇,并从特征的多样性的角度来提取特征,提升文本分类的性能。本文对所提出的工作进行多组实验对比,在各个分类性能指标上能取得较高的结果,验证了本文所提出模型的有效性。