テキスト分類は自然言語処理における重要な古典的な問題です。これまでに、畳み込みニューラルネットワーク（正規グリッド上の畳み込み、例えばシーケンス）を分類に適用した多くの研究が行われてきました。しかし、非正規グリッド（任意のグラフ）上の畳み込みを行うより柔軟なグラフ畳み込みニューラルネットワークを用いた研究は限られています。本研究では、テキスト分類にグラフ畳み込みネットワークを使用することを提案します。コーパスに基づいて単語共起と文書単語関係から単一のテキストグラフを構築し、その上でテキストグラフ畳み込みネットワーク（Text GCN）を学習します。私たちのText GCNは、単語と文書の一-hot表現で初期化され、その後、既知の文書クラスラベルによって監督される形で単語と文書の埋め込みを共同で学習します。複数のベンチマークデータセットに対する実験結果は、外部の単語埋め込みや知識なしでシンプルなText GCNがテキスト分類における最先端手法を上回ることを示しています。さらに、Text GCNは予測可能な単語と文書の埋め込みも学習します。また、実験結果は、訓練データの割合を下げてもText GCNの性能向上が顕著になることを示しており、これはテキスト分類において少ない訓練データに対してText GCNが堅牢であることを示唆しています。