Word2Vec 和余弦相似度当然是一个合理的解决方案。请注意，文本越长，文本中的功能词就越多，因此随着文本长度的增加，平均 Word2Vec 向量彼此更相似。这可以通过删除停用词来部分解决。

另一种尝试的方法可能是余弦相似性与来自 ELMo 或 BERT 等上下文嵌入的表示。此外，如果您有一些训练示例（小几百可能就足够了），那么训练基于 BERT 的分类器应该可以工作。

最后，最奇特的解决方案是使用汇总模型。从文章内容生成标题是摘要文献中完成的任务之一。如果您的数据类似于用于训练摘要模型的数据集（或者您有足够的特定于领域的数据来训练自己的摘要模型），则可以使用该模型来估计给定内容的标题概率。即使是在生成时表现不佳的模型，在区分使用时也表现良好。