通过使用多种语言的预训练嵌入，您可以避开训练数据的匮乏，甚至完全训练。之后，您可以使用以下简单算法之一计算文档嵌入，这基本上相当于使用 PCA/SVD 对每个句子的堆叠词嵌入矩阵运行降维：

• 一个简单但难以击败的句子嵌入基线（代码）
• 将句子表示为低秩子空间

请注意，词嵌入本身来自类似的计算：

• 神经词嵌入作为隐式矩阵分解

Doc2vec（又名paragraph2vec，又名句子嵌入）将word2vec 算法修改为对较大文本块（例如句子、段落或整个文档）的连续表示进行无监督学习。

它将在向量空间中对每个文档主题进行聚类，学习它的语义。它会在您给定大小的数据集大小下表现良好。也检查一下 Doc2Vec - 如何标记段落（gensim）