随着互联网技术的蓬勃发展以及智能设备用户爆发式增长,以文本为介质的信息出现了井喷式爆发,传统人工文本分类方法已显得不切实际。如何准确高效地处理这些文本并提供用户想得到的信息是现阶段热门研究方向。对文本分类方法的研究主要有早期传统方法和近期基于深度学习方法,并且后者的文本分类结果一般优于前者。但无论是深度学习方法还是早期传统方法都是以文本间相互独立为前提对文本进行表征。如果能够将同一类文本间的信息进行聚合,这将会提升同类文本的表征能力,从而在某种程度上提升文本分类的准确率。知识图谱能够以结构化的方式为文本提供一种链式关系,以便更好地组织、管理和理解更深层文本信息,图网络刚好是一种方便推理链式关系的模型。将结构化形式表示的文本应用于图网络进行文本分类,是一种新的发展的趋势。而现有基于图卷积网络的文本分类方法仅仅利用了基于词共现和词频-逆文档频率(Term Frequency-Inverse Document Frequency,TF-IDF)等全局特征来构建文本图,这在一定程度上忽略了文本自身上下文信息。对此,为了将文本图全局信息与文本自身上下文信息有机结合,本文研究了一种基于图卷积网络门控机制的上下文感知文本分类方法。本文首先介绍文本分类的基础相关知识以及对基于卷积神经网络(Convolutional Neural networks,CNNs)门控机制原理进行介绍,为门控机制应用于图卷积网络打下基础。其次,介绍基于词共现和词频-逆文档频率文本图的构建以及使用来自Transformer的双向编码表示模型(Bidirectional Encoder Representations from Transformers,BERT)获得文本上下文信息的方法,并通过基于图卷积网络的门控机制对图卷积网络学习的图嵌入和文本上下文信息进行整合,得到既包含全局特征信息又包含上下文信息的文本表示,使基于图卷积网络的文本分类模型具有处理文本上下文信息的能力。在多个数据集的实验结果表明,本文研究的基于门控机制的上下文感知图卷积网络文本分类模型在分类准确率、学习到文本特征可视化和缩小训练集规模训练等方面优于现有基于图卷积网络文本分类模型。此外,本文还将基于BERT特征的欧式距离融入到构建文本图的过程中,克服了词共现和词频-逆词频特征不适用于构建短文本的问题。