随着电子设备的普及和互联网的迅速发展,社交媒体、网上购物、外卖点餐等平台的数据产生跳跃式的增长,如何对这些庞大的文本数据进行科学有效的分类管理成为目前研究热点之一。神经网络能在欧式空间结构数据中提取重要的特征用于分类,但是现实生活中有很多文本数据不具备整齐规则的空间结构,传统的深度学习模型在处理这些非结构化数据效果不佳,所以图卷积神经网络应运而生。经研究发现图卷积神经网络不仅适用于非欧几里得数据,在传统的结构化文本数据中也表现良好。本文利用评论文本的情感极性为文本进行分类,引入表征学习能力较强的图卷积神经网络提升中文文本分类算法性能。但图卷积网络还存在一些不足:现有的图卷积网络只是单纯聚合相邻节点的信息得到数据的结构信息,忽略了文本中非常有用词节点表示和上下文相关性;使用了one-hot编码导致了语序结构的丢失,特征维度变高占据空间。以往的图卷积网络提取结构化特征时忽略了不同节点的影响将所有边设为同一个值,然而节点间关系一般并不相同,邻域内不同邻居节点对该节点的影响也不同;浅层图卷积无法使它们从高阶邻居提取信息,因此性能受到限制,但当图卷积网络层数过深的时候,会使节点信息过平滑,造成深层退化现象。针对上述存在的问题,本文根据中文评论文本的特点为了提升文本分类模型的性能,开展以下两个方面的工作:1.引入表征学习能力较强的图卷积网络应用于中文文本分类。针对图卷积网络忽略文本上下文信息的问题,本文提出了一种基于融合上下文信息图卷积的文本分类模型。同时对现有的文本数据转化成图数据算法进行改进,利用共现信息得到点互信息为图卷积网络构建邻接矩阵,将文本数据转化成图数据。原有的图卷积网络不注重词向量含有的信息,本章分别使用多种编码器训练数据集得到训练样本的初始特征表示,通过Bi LSTM层得到更深层次的文本上下文信息,同时结合图卷积的输出聚合成含有上下文信息的特征向量矩阵,此时的特征矩阵不仅含有全局上下文相关性,又包含局部结构化信息。2.针对现有图卷积网络忽略了不同节点的重要性将所有节点一视同仁的问题,本文通过中心节点的邻居节点数为其加权对邻接矩阵进行改进,使邻接矩阵不再是单一的0-1布尔矩阵。同时本文将残差学习的思想应用于图卷积网络,提出基于残差网络的图卷积单元应对网络层数过深时出现过拟合甚至梯度消失的情况,提高图卷积网络在深层条件下的分类性能。此外,还通过空间注意力筛选出对模型无效的信息。最后在四个二分类的公开数据集进行实验,本文的模型优于现有的基线模型,证明了本文改进图卷积网络模型的有效性。