我正在从事与 NLP 相关的任务。我有大约 150 个文件，每页长（平均 5/6 页）。删除停用词和其他不必要的符号和数字后，我有大约 104,000 个唯一词。手头的任务可能需要某种词嵌入（例如 word2vec），因为简单的词袋类型方法无法正常工作。但是，我担心我拥有的数据的大小。我看过预训练的词嵌入（GloVec），但是，由于我们文本的领域（制造）的狭窄焦点，我犹豫要使用这些预训练的向量。这让我只能自己训练。然而，我们数据集的大小让我很担心。因此，我只是把这个问题扔在那里：

任何回应将不胜感激。

谢谢