情感分析能从用户言论中快速准确地挖掘用户的情感倾向，有着极大的应用市场。针对微博语言语法结构复杂多样的特性，提出了一种基于语法依存结构的图卷积神经网络（SGCN）模型对中文微博进行细粒度的情感分类。所提模型兼具结构表达和语义表达丰富的特点：基于词语间的依赖关系构建文本图，并通过点互信息（PMI）量化词语间的相关程度，作为相应边的权重以充分表现句子的结构信息；将融合位置信息的语义特征作为节点的初始特征，增加文本图中点的语义特征。为了验证所提模型的性能，在SMP2020（Social Media Processing 2020）微博情感分类数据集上，对两组包含开心、悲伤、愤怒、恐惧、惊讶和无情绪的6类微博情感数据进行了分析。实验结果表明，所提模型的平均F1分数可达到72.64%，相较于BERT（Bidirectional Encoder Representations from Transformers）词向量特征图卷积网络（BGCN）模型和文本级图神经网络（Text-Level-GNN）模型分别提高了2.75和3.87个百分点，验证了所提模型能更有效地利用句子的结构信息，提升模型的分类性能。
