本文介绍了一种基于图卷积神经网络的文本分类算法 (Text GCN)，该算法利用单一的文本图构建并联合学习词和文本的表征，经实验表明，将该算法应用于多个基准数据集后，在无需外部词嵌入和预先知识的情况下，文本 GCN 仍可优于现有的文本分类方法。

Sep, 2018

本文提出 TensorGCN 框架，基于图卷积神经网络进行文本分类，结合单个图的邻域信息和不同图的异构信息进行内部图和跨图传递信息的聚合和协调，实现了在不同种类图中集成异构信息的有效方式。

Jan, 2020

本文针对印度特鲁古语采用图卷积网络（GCN）在单任务和多任务下进行情感分析（SA）、情感识别（EI）、仇恨言论（HS）和讽刺检测（SAR）等自然语言处理任务，并针对其语言数据量少、形态学和语义上的差异性提出了多任务文本 GCN 框架（MT-Text GCN）进行语料文本分类的研究，提出了基于图的重建方法，实现了对单词和句子的嵌入表示同时学习来提高实验效果。

May, 2022

提出了一种使用连续图卷积网络的新方法来推断在线文本数据的模型，称为 ContGCN，采用了全标记 - 任意文档范式来动态更新每批处理的文档 - 标记图，并使用自我监督对比学习目标来更新模型。在华为公共舆情分析系统上进行的 3 个月 A/B 测试表明，ContGCN 相比现有的方法提高了 8.86％的性能。

Apr, 2023

本研究提出了一种新颖的归纳图卷积网络框架 InducT-GCN（InducTive Graph Convolutional Networks for Text classification），用于无额外资源和有限训练数据情况下的归纳图文本分类，通过仅基于训练文档的统计信息构建图并在测试期间进行单向 GCN 传播，与传统感性学习模型相比，InducT-GCN 在五个文本分类基准测试中表现出更好的性能。

Jun, 2022

该研究提出了一种名为 N-GCN 的模型，将图卷积网络和随机游走中的信息融合，训练多个 GCNs 实例，并学习组合不同距离下的节点对的实例输出，实现优化分类目标。实验证明，该模型在节点分类任务上表现优异，具有良好的通用性和鲁棒性。

Feb, 2018

提出了一种基于词图的图卷积神经网络模型，能够以归纳的方式完成对于预定义图之外的文档的分类任务，该模型利用词共现信息形成词图，同时融入了文献引用关系的全局语义依赖信息，通过实验验证，该模型在分类任务中表现出良好的性能和高效率。

May, 2023

本文分析了图卷积网络（GCN）在文本分类中的节点和边嵌入方式以及学习机制的影响，并在不同文本分类基准下得出了有用的结论。

Mar, 2022

本文提出了基于图卷积网络的多视角地理定位模型 GCN，使用文本和网络上下文，并在三个基准地理定位数据集上与最先进技术和两个基准进行了比较，当有足够的监督时，GCN 可以达到或与最先进技术竞争。此外，我们在最少监督情况下评估 GCN，并表明它优于基准。我们发现，高速公路网络门对于控制 GCN 中有用邻域扩展的数量至关重要。

Apr, 2018

本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

Jan, 2018