近年来，量子理论在理论经济学、心理学和认知科学等许多领域的交叉研究和应用，产生了很多富有启发性的成果。受到人类认知和语言理解中类量子现象的启发，已有不少研究工作尝试将量子理论引入信息检索、自然语言理解等人工智能领域。在自然语言理解方面，主要的工作是将量子理论与深度神经网络模型结合，用于建模自然语言，以增强模型可解释性。但是，自然语言处理面临固有的数据稀缺性挑战，如何有效利用句法、内容和对话等自然语言中丰富的结构信息来建模文本语义，是缓解数据稀疏问题的重要方法。现有的量子概率启发神经网络模型，缺乏对文本结构信息的关注。

本论文研究如何通过图神经网络实现利用量子概率来建模自然语言的思路，在保留模型可解释性优势的同时，加强对文本结构信息的建模能力。论文提出了面向自然语言的量子概率启发图神经网络及其变体模型，分别从建模文档间关联结构、子句间交互结构和话语间交互结构的角度，探究了所提出的模型在典型自然语言处理和语义分析任务上的应用。

本论文的主要研究内容与贡献包括：

1）提出了一种量子概率启发图神经网络（Quantum Probability-inspired Graph Neural Network，QPGNN）。QPGNN利用量子叠加态概念建模文本节点表示，通过量子混合态概念建模文本交互结构，采用量子测量进行文本分类或者高级语义提取。从建模文档间关联结构的角度，将QPGNN应用于文本分类任务。具体地，将文档视为节点，将语料库视为网络，构建文档交互图来捕获文档间语义关联交互结构；然后在文档交互图上学习QPGNN，实现对文档间全局结构信息的建模，以增强对文档的语义表示；最后通过对混合态执行量子测量来计算分类概率。实验结果表明，QPGNN的分类精度优于经典的神经网络模型和现有的量子概率启发模型。此外，QPGNN在有限训练数据集上的鲁棒性更好，参数效率高，并能够学习具有类别区分性的文档表示。

2）提出了一种量子概率启发图注意力网络（Quantum Probability-inspired Graph Attention Network，QPGAT），用以处理文本交互图为无权图的情况。QPGAT通过结合注意力机制学习边权重，挖掘出不同粒度文本隐含的交互结构信息。从建模子句间交互结构的角度，将QPGAT应用于情感-原因对抽取任务。具体地，将子句视为节点，将文档视为网络，通过构造位置交互图和内容交互图，实现对文档内子句间的位置交互和内容交互结构信息的建模；然后利用所提出的QPGAT对交互图建模，增强子句的语义表示；最后，通过多任务联合学习抽取器来抽取情感-原因对。实验表明，QPGAT在情感-原因对抽取任务，以及情感子句和原因子句抽取等相关子任务上取得了优于之前方法的性能。此外，QPGAT可以为抽取结果提供可视化解释。

3）从建模话语间交互结构的角度，将QPGAT应用于联合对话行为识别与情感分类任务。具体地，将话语视为节点，将对话视为网络，构造话语交互图来捕获对话中话语间的同一说话者交互和上下文交互；然后，应用QPGAT对所构建的话语交互图进行建模，增强话语的语义表示；最后，利用联合训练的多任务解码器进行对话行为识别与情感分类。实验结果表明，QPGAT模型优于其他基线模型。此外，消融分析验证了QPGAT各个模块的贡献，而对网络层数和话语交互图稠密度的敏感性分析则表明模型性能对网络层数变化不敏感，但交互图稠密度过大或过小都对性能产生负面影响。