既然您使用的是gensim，那么您可能应该使用它的doc2vec实现。doc2vec是word2vec在短语、句子和文档级别的扩展。这是一个非常简单的扩展，在这里描述
Gensim很好，因为它直观、快速、灵活。最棒的是，你可以从官方的word2vec页面抓取预训练的单词嵌入，gensim的Doc2Vec模型的syn0层被暴露出来，这样你就可以用这些高质量的向量播种单词嵌入！
我认为gensim绝对是在向量空间中嵌入一个句子的最简单的工具(到目前为止，对我来说，是最好的工具)。
除了上述Le&Mikolov的论文中提出的句子到向量技术之外，还有其他的句子到向量技术。斯坦福大学的Socher和Manning无疑是这一领域最著名的两位研究人员。他们的工作基于句子的构词-语义原则，来自：1. semantics of the words
2. rules for how these words interact and combine into phrases
他们已经提出了一些这样的模型(变得越来越复杂)来说明如何使用复合性来构建句子级的表示。
他的论文都可以在socher.org上找到。其中一些型号是可用的，但我还是推荐gensim的doc2vec。一方面，2011款URAE并不是特别强大。此外，它还预先训练了适合解释news-y数据的权重。他提供的代码不允许您重新训练网络。你也不能在不同的词向量中交换，所以你被2011年Turian的pre-word2vec嵌入所困扰。这些向量肯定不在word2vec或glow的级别上
还没有与树LSTM合作，但它似乎非常有希望！
【word2vec|word2vec python实现_用python实现gensim的word2vec模型计算句子相似度】是的，用gensim的doc2vec。但其他方法确实存在！
