摘要
文本分类是自然语言处理中的一个重要且经典的问题。已有许多研究将卷积神经网络（例如在规则网格上进行卷积，如序列）应用于分类任务。然而，仅有少数研究探索了更为灵活的图卷积神经网络（例如在非规则网格上进行卷积，如任意图）在该任务中的应用。在这项工作中，我们提出使用图卷积神经网络进行文本分类。我们基于词汇共现和文档词汇关系为语料库构建了一个单一的文本图，然后学习一个针对该语料库的文本图卷积网络（Text GCN）。我们的Text GCN以词和文档的一热表示初始化，随后联合学习词和文档的嵌入向量，这一过程由已知的文档类别标签监督。我们在多个基准数据集上的实验结果表明，即使没有使用任何外部词嵌入或知识，一个基本的Text GCN仍然优于最先进的文本分类方法。另一方面，Text GCN还能够学习预测性的词和文档嵌入向量。此外，实验结果还显示，随着训练数据比例的降低，Text GCN相对于最先进比较方法的优势变得更加显著，这表明Text GCN在较少训练数据的情况下具有较强的鲁棒性。