La precisión de los modelos de temas tradicionales puede verse comprometida debido a la escasez de vocabulario coocurrente en el corpus, mientras que los modelos de incrustación de palabras convencionales tienden a priorizar en exceso la información semántica contextual y capturan de manera inadecuada las características específicas del dominio en el texto. Este artículo propone un método de representación semántica híbrido que combina un modelo de temas que integra conocimiento conceptual con un modelo de incrustación de palabras ponderado. Específicamente, construimos un modelo de temas que incorpora la base de conocimiento conceptual Probase para realizar la agrupación de temas y obtener la representación semántica del tema. Además, diseñamos un modelo de incrustación de palabras ponderado para mejorar la representación de la información semántica contextual del texto. Se emplea un modelo de fusión de información basado en características para integrar las dos representaciones textuales y generar una representación semántica híbrida. El modelo de representación semántica híbrida propuesto en este estudio fue evaluado en función de varios conjuntos de pruebas de composición en inglés. Los hallazgos demuestran que el modelo presentado en este artículo exhibe una precisión superior y un valor práctico en comparación con los métodos existentes de representación de texto.