美好的一天，人类同胞（？）。
我有一个方法问题，在很短的时间内被深入研究弄糊涂了。
问题源于以下问题：我需要对文档应用半监督或无监督聚类。我有大约 300 个使用多标签分类的文档和大约 3400 个未分类的文档。在接下来的几天里，无监督文件的数量可能会达到约 10,000 份。
主要思想是基于手头的标签应用半监督聚类。或者，对软聚类完全无监督。
我们曾考虑为整个文档创建嵌入，但困惑之处在于：哪个库最适合此类任务？
我想最重要的需要在于整个文档的上下文。据我所知，BERT 和 FastText 提供了与上下文相关的词嵌入，但不提供整个文档的嵌入。另一方面，Gensim 的 Doc2Vec 与上下文无关，对吧？
我想我看到了一种通过 HuggingFace API 使用 BERT 训练句子嵌入的方法，并且想知道将整个文档视为一个句子是否有用。
你有什么建议吗？我可能暴露了我对这件事的完全无知和困惑，但我的大脑已经融化了。
非常感谢您的宝贵时间。
万岁！
编辑以回答@gojomo：
我的文档平均约为 180 字。最初的任务是多标签文本分类，即每个文档可以有 1 到 N 个标签，现在标签的数量为 N=18。它们高度不平衡。由于几个问题，到目前为止只有 330 个标记的文档，我们要求文档的提供者也提供未标记的数据，这应该达到 10k 的数量级。我使用了 FastText 分类模式，但结果显然很糟糕。我还运行了一个带有 Doc2Vec 文档嵌入的 K-NN，但结果显然仍然很糟糕。我打算使用基于生物医学 BERT 的模型（如 BioBERT 和 SciBERT）在文档上生成 NER 标记（在特定领域的数据集上训练），以便稍后应用分类器。既然我们有未标记的文件可供使用，我们想冒险进入半监督分类或无监督聚类，只是为了探索可能性。不得不说，这只是一篇硕士论文。