目前，大多数的文本分类方法是基于深度学习，其中代表性的如应用于语句分类的CNN^[5]，基于双向长短期记忆BiLSTM^[6] 的RNN，以及BERT模型^[7]等。Kim于2014年提出了基于卷积神经网络（CNN）的语句分类^[5]， 它把一维卷积应用在文本语句上，分类准确度上取得了比较好的结果。Liu，Qiu等人^[1]通过将LSTM应用在文本分类中，以学习文本表示，提高了文本的表达能力。Jacob等人^[7]提出了BERT模型，一种预训练语言的文本表示模型，在大量文本语料中训练了一个通用的语言表示模。这些模型的出现，很大程度上解决了传统分类方法文本表征不足的问题。CNN与RNN都主要是针对局部连续的单词序列，无法得到语料库中单词的全局共现信息；BERT方法能够很好的得到单词表示，但仍缺少句子的结构信息。以上模型都局限于欧式结构的数据的学习，对于非欧式结构数据进行处理，则无法得到数据的结构信息。

随着深度学习技术的发展，图神经网络（GNN）的研究得到越来越多的关注。GNN不仅具有参数共享、降低计算量的优点，而且非常适合文本中单词之间非欧式结构数据的处理，取得了机器学习领域的突破。GNN还能够提取多尺度的局部空间特征并抽象组合成高层特征。通过图嵌入，GNN能够学习图的节点、边以及子图的低维度向量表示^[9]，突破了一般机器学习需要依赖手工的网络结构设计问题，提高了学习的灵活性。在文献[9]中，Cai等人证明了图神经网络能够很好的处理具有丰富的关系结构任务，能够在图嵌入的过程中保留图的全局信息。