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

本文介绍了一种基于图神经网络的新方法TextING，可用于词嵌入和归纳文本分类，并在四个基准数据集上进行了实验，取得了超过现有文本分类方法的优异成果。

Apr, 2020

本文提出了一种异构图卷积网络建模方法HeteGCN，结合了predictive text embedding (PTE) 和 TextGCN的优点用于文本分类，以解决现有方法预测能力、可扩展性和归纳能力的局限性。通过使用不同的图层在一个HeteGCN架构中学习特征嵌入并派生文档嵌入，将TextGCN简化为几个HeteGCN模型，从而简化了模型参数，以提高性能和训练速度。实验结果表明所提出的方法在小的标注训练集方案下有效。

Aug, 2020

本文介绍了一种名为Graph Topic Model(GTM)的基于图形神经网络(GNNs)的神经主题模型，通过信息交互捕捉图形节点之间的关系，将文档和词汇转化成为图中的节点，并根据共现性连接，通过图卷积汇聚邻居节点信息从而通过共享单词在文档之间建立关系，扩充了文档的主题的表达方式。研究者还基于三个数据集开展了广泛的实验，其结果证明了这种方法的有效性。

Sep, 2020

提出一种新的基于 GNN 的稀疏结构学习模型，用于归纳式文档分类，可以解决词汇歧义性、同义性和动态语境相关性等问题，并在多个真实数据集上跑实验，成果优于目前绝大部分其他方法。

Dec, 2021

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

本文提出了一种名为ME-GCN（多维边增强图卷积网络）的模型用于半监督文本分类，该模型能够利用图的丰富边缘信息，通过将边特征作为多流信号进行单独图卷积操作，达到对整个文本数据集较好的分类效果。

Apr, 2022

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

本文提出了一种新型的异构词-字符文本图融合文档节点，用于更好地学习它们之间的依赖关系，同时提出了两种基于图的神经模型WCTextGCN和WCTextGAT，实验结果表明，这些模型在文本分类和自动文本摘要任务中表现出了更好的性能。

Oct, 2022