在主题模型中，文档可使用以下几种方法表示：

  1. 词袋模型（Bag of Words，BoW）：将文档表示为一个向量，其中每个元素代表词汇表中的一个词。该元素的值可以是词汇表中对应词在文档中出现的频率、TF-IDF（词频-逆文档频率）值或二进制值（表示该词是否在文档中出现）。

  2. 词频-逆文档频率（Term Frequency-Inverse Document Frequency，TF-IDF）：该方法在词袋模型的基础上，引入了词的权重。词频指的是一个词在文档中出现的频率，逆文档频率指的是衡量词的重要性的指标，即一个词在语料库中出现的频率的倒数。通过这两个指标的乘积，可以得到表示文档的向量。

  3. 主题概率模型（Topic Probability Model）：该方法将文档表示为一个主题分布向量。通过主题模型（如Latent Dirichlet Allocation, LDA）推断文档隐含的主题分布，其中每个主题与一组词相关联。文档中每个词的生成过程是通过从主题分布中取样，再从对应主题的词分布中取样。

  4. Word2Vec或GloVe嵌入向量：这些方法通过将单词表示为低维度向量来捕捉单词之间的语义关系。文档可以通过计算其包含的单词向量的平均值或加权平均值等方法来表示。

  这些方法各有优缺点，适用于不同的任务。选择合适的文档表示方法是主题模型中的一个重要问题，需要根据具体应用场景和数据特点进行选择。