目前,一些比较成熟的文本分类算法已经被应用到了文本分类中,但它们大都是基于向量空间模型(Vector Space Model)的。向量空间模型(Vector Space Model)将每篇文章的处理转化为高维向量空间的向量计算,每一个分量表示一个词元权重,也就是把每篇文章的处理转化为了向量的计算。这种方法降低了文档处理的计算复杂度,提高了处理速度。但向量空间模型把文档看成词的集合,假设词与词之间是独立的,这样就损失了大量的文本结构信息,而在自然语言中,词与词之间往往是相互关联的,所以文章的上下文之间的联系也是非常重要的。为了解决这个问题,一些国内外学者提出了基于图模型的文本表示方法。为了实现图模型下的文本分类,本文对选用的语料库进行了预处理工作;分析了现有的特征选择算法,选择了开方检验的方法对文本进行了特征选择;针对现有的计算权值的方法进行了改进,找到了一种适合图模型下文本分类的权值计算方法;根据图模型的定义,建立了文本的图模型;并找出一种计算相似系数的方法对文本进行了分类,完成了整个图模型文本分类的整个过程。本文从文本的预处理、特征选择、图模型的建立、图模型的相似系数的计算等几个文本分类的重要环节,设计出了自己的算法,给出了一种图模型中计算权值的具体方法,建立了有权无向图,并对这些算法进行了实现。选用了Sougou语料库的3个类别:c8财经类、c10 IT类和c13健康类进行实验,分析了准确率(P)、召回率(R)和F1值这些评价文本分类算法的结果,并得出结论,证明了图模型文本分类算法是一种有效的文本分类算法。