随着word2vec算法的出现,Embedding技术在文本分类中得到了很好的应用,但是Embedding同时也存在着它的不足。在传统的Embedding算法中,一个词可以通过嵌入的词向量进行表达,但是这个词向量无法覆盖这个词的所有含义,这个是由于word2vec这个算法的训练逻辑造成的。所以,为了克服和一定程度的上进行修正或者对Embedding的词向量信息进行增加,本文提出了混合Embedding的方法。本文采用了三种不同语料库预训练的Embedding对混合Embedding进行研究。不同的语料库一定程度上克服了词向量单一表示的问题,从一定程度上理解,可以把词向量的多种含义进行捕捉。混合Embedding主要操作方法有两种,一种是对于不同预训练的预料的词向量进行堆叠操作,通过扩大词向量的维度来增加Embedding的有效信息。第二种方式是采用了了预训练词向量线性融合的方式,通过词向量的量的融合来一定程度上增加Embedding的有效信息。文中实验主要介绍了通过词向量堆叠的方式,通过对预训练的Embedding进行两两堆叠,在相同的神经网络架构下面,混合Embedding很有效的提升了模型的评价指标F1-score和AUC数值。