Este documento analiza las capacidades de diferentes técnicas para construir una representación semántica de recursos digitales educativos. Los recursos digitales educativos se modelan utilizando el estándar de Metadatos de Objeto de Aprendizaje (LOM), y estas representaciones semánticas se pueden obtener de diferentes campos de LOM, como el título, la descripción, entre otros, con el fin de extraer las características de los recursos digitales. Los métodos de extracción de características utilizados en este documento son el Best Matching 25 (BM25), el Análisis Semántico Latente (LSA), Doc2Vec y la asignación latente de Dirichlet (LDA). La utilización de las características/descriptores generados por ellos se prueba en tres tipos de recursos digitales educativos (publicaciones científicas, objetos de aprendizaje, patentes), un corpus de paráfrasis y dos casos de uso: en un contexto de recuperación de información y en un sistema de recomendación educativa. Para este análisis se utilizan métricas no supervisadas para determinar la calidad de las características propuestas por cada una, que son dos funciones de similitud y la entropía. Además, el documento presenta pruebas de las técnicas para la clasificación de paráfrasis. Los experimentos muestran que según el tipo de contenido y la métrica, el rendimiento de los métodos de extracción de características es muy diferente; en algunos casos son mejores que los demás, y en otros casos es al revés.