我是一个机器学习和神经网络的新手。目前我在coursera.org上学习一门关于神经网络的课程，但我并不是所有内容都理解。我的论文遇到了一些小问题。我应该使用神经网络，但不知道如何为我的问题选择合适的神经网络架构。

我有大量来自网络门户的数据（通常是报纸和杂志的在线版本）。这些数据包括文章的信息，例如文章名称、文章文本和发布时间。还有大量的序列数据，这些数据捕捉了用户的行为。

我的目标是预测文章的受欢迎程度（读者数量或唯一用户对文章的点击次数）。我想从这些数据中创建向量，并用这些向量来训练我的神经网络。

我有两个问题：

1. 如何创建正确的向量？

2. 哪种神经网络架构最适合这个问题？

回答：

这些都是非常广泛的问题。如果你想要更具体的答案，你需要确定更小的具体问题。

如何创建正确的向量？

对于文本数据，通常使用向量空间模型。最佳结果通常是通过使用tf-idf加权获得的。

哪种神经网络架构适合这个问题？

这很难说。我会从一个具有k个输入神经元的网络开始（其中k是你应用tf-idf后的向量大小：你可能还想进行某种特征选择来减少特征数量。一个好的特征选择方法是通过使用卡方检验）。

然后，标准的网络布局是使用一个隐藏层，其神经元数量等于输入神经元和输出神经元数量的平均值。然后看起来你只需要一个输出神经元来输出文章的受欢迎程度（这可以是一个线性神经元或一个Sigmoid神经元）。

对于你的隐藏层中的神经元，你也可以尝试使用线性和Sigmoid神经元。

你还可以尝试许多其他方法：权重衰减、动量技术、多层网络、循环网络等等。没有大量的实验，很难说哪种方法最适合你的特定问题。