文本分类问题：Word2Vec / NN是最好的方法吗？

我正在设计一个系统，使给定的一段文本能够对其进行分类并确定上下文：

1. 经过用户生成的文本段落（如评论/问题/答案）的培训
2. 训练集中的每个项目都将标有。因此，例如（“类别1”，“文本段落”）
3. 将有数百个类别

建立这样一个系统的最佳方法是什么？我一直在研究几个不同的选项，以下是可能的解决方案的列表。Word2Vec / NN目前是最佳解决方案吗？

1. 递归神经张量网络馈送了平均Word2Vec数据
2. RNTN和段落向量（https://cs.stanford.edu/~quocle/paragraph_vector.pdf）？
3. 深度信仰网络中使用的TF-IDF
4. TF-IDF和Logistic回归
5. 单词袋和朴素贝叶斯分类

1）TFIDF向量的最大熵（Logistic回归）是许多NLP分类任务的良好起点。

2）Word2vec绝对是值得尝试并与模型1进行比较的东西。我建议使用Doc2Vec风格查看句子/段落。

Quoc Le和Tomas Mikolov。句子和文档的分布式表示。http://arxiv.org/pdf/1405.4053v2.pdf

Gensim（python）有一个不错的Doc2vec模型。