文本聚类是自动化文本处理技术的主要研究方向之一,在新闻推荐、舆情分析、话题发现等多个领域都有着广泛的应用。针对基于词袋模型的文本表示方法存在语义缺失问题,本文提出了一种基于图结构的文本表示方法——文本语义图。为了最大程度地体现文本的语义信息,本文将文本的关键词作为节点并赋予权重,将关键词之间的语义关系作为有向边。基于提出的文本语义图,本文使用图卷积神经网络提取文本的高层特征并利用该特征对文本进行聚类。本文的研究内容主要包含以下部分:(1)针对生成文本语义图的任务,我们提出一种基于Bi-LSTM和Self-Attention的语义角色标注模型。利用该模型,可获取关键词之间的语义关系,用于构建文本语义图的边。此外,在模型中引入了语义角色知识库,利用语义角色知识可以更加有效的挖掘语义信息,进一步提升模型的性能。(2)针对基于文本语义图的文本聚类任务,我们提出了一种新的基于图卷积神经网络的图特征生成模型,定义新的图卷积操作,用于提取有向加权图的特征向量。之后,使用AP算法对图特征生成模型生成的特征向量进行聚类,从而实现对文本的聚类。本文使用Onto Notes语料库评估语义角色标注模型的性能,使用TDT语料库评估文本聚类的性能。实验结果表明,本文提出的基于图结构的文本聚类方法可有效提高文本聚类的效果。同时,本文还进行了大量的对比实验来测试模型结构和参数设定对性能的影响。