随着科学研究的飞速发展,每年全球范围内都会涌现出大量的学术论文。如果能够准确预测发表时间较短的论文在一段时间内的引用次数,就可以帮助学者在面对众多的文献资料时减少自身的搜寻成本,同时提早发现更具影响力的论文。因此构建有效的新发表论文的引用次数预测模型具有重要的实际研究和应用价值。目前已有多种文献计量特征和统计方法被用于引用次数预测任务中。此外,学术论文的引用网络特征和文本信息对引用次数是有影响的。然而,现有的引用次数预测研究未能利用和有效地将其结合在一起。针对以上不足之处,本文提出了一种基于图注意力网络（Graph Attention Network,GAT）的新发表论文引用次数预测模型GARU。通过利用本领域相关论文的文本内容和引用网络来提取论文的语义特征和空间结构特征,之后将其输入图注意力网络GAT模型,GAT模型根据论文之间的语义相似性利用注意力机制来分配不同论文之间的权重,进而捕获论文之间的相互关系,输出得到特征矩阵,同时借助门控循环单元（Gate Recurrent Unit,GRU）来提取论文之间的引用次数分布模式,使用注意力机制将二者进行融合以有效捕捉论文的各种信息,最后通过引入加权损失函数使模型更关注高引用次数的论文并借此训练模型并用以平衡不均衡的数据分布,该模型可以仅利用新发表论文的元数据特征,如摘要、题目和参考文献等相关特征提取语义和空间特征来预测刚发表后5年的引用次数。本文通过在Aminer和Web of Sciences数据库平台上的人工智能领域数据集上进行验证,实验结果表明,在没有任何引用次数年数可以用的情况下,预测未来五年引用次数的均方根误差（RMSE）、平均绝对误差（MAE）分别为16.05和6.26,借助文本本身的元数据特征仍可以识别54%的高引用论文,证实了其在预测引用次数和识别高引用论文任务上有着较高的准确度,进一步研究发现在新发表论文可利用引用次数年数增加的同时,预测效果得到了提升。在有前三年引用次数可以利用的情况下,该方法与四种基准方法中表现最好的方法相比,预测未来五年引用次数的均方根误差（RMSE）、平均绝对误差（MAE）等指标平均下降了1.38,0.59,在高引用论文识别任务识别上比表现最好的基线模型提升了16.67%。同时在实验过程中也发现了一些不足之处,未来打算在以下方向对模型进行优化和改进,一篇论文的引用次数是许多因素的结果,如参与的机构和研究人员、出版地,以及许多其他不被摘要中的文字所包含的这类因素。由于这些系统性的因素,改进引用次数预测结果需要未来整合更多关于这些学术网络的数据。