这主要取决于您想要多少“最先进”（SOTA）与您希望走多深（双关语......）。

如果您只能使用 word2vec、Glove 或 fastText 提供的浅词嵌入，我认为 Word Mover Distance（WMD [是的，真的...]）是测量（短）文档距离的好功能 [1] . 过去我什至看过几个 Python Notebooks 提供了这种距离测量的“教程”，所以它真的很容易上手。

但是，如果您对 SOTA 更感兴趣，您将不得不研究深度（序列表示）学习，使用某种从句子中学习主题模型的循环网络。除了集成（语义）单词嵌入之外，这些方法通过使用依赖关系学习主题表示，超越了 [good, old] “bag-of-words” 方法句子中的单词[s]。例如，Sentence Level Recurrent Topic Model (SLRTM) 是一个非常有趣的深度循环模型，它基于更传统的 LDA（Blei 等人）或 LSA（Landauer 等人）的思想，但它只是一个 arXiv论文（因此，所有关于非同行评审研究的默认“用盐警告”都应该适用......）[2]。尽管如此，如果您想进入这个兔子洞，该论文有许多出色的指针和参考资料可以帮助您开始研究。

最后，应该澄清的是，我并没有声称这些是公认的词袋模型和序列模型的最佳性能方法。但是它们应该让您非常接近“最好的” SOTA 可能是什么，并且至少应该作为一个很好的起点。

[1] 马特 J.库斯纳等人。从词嵌入到文档距离。第 32 届机器学习国际会议论文集，JMLR，2015。

[2] 飞天等。SLRTM：让话题自己说话。arXiv 1604.02038, 2016。

https://github.com/RandyPen/TextCluster
这是一种针对短文本的 Cluster 方法，性能优于 KMeans 等。无需设置潜在变量数。
基本思想是将句子标记为单词。然后根据文本组件指向不同的桶。在每个桶中，计算句子和桶之间的相似度。如果相似度得分高于特定值，则将此句子附加到该桶中，否则搜索下一个桶。