我构建了一个基于从维基百科获取的数据的文章分类器，这些数据来自5个不同的分类。

它们是：

金融（15篇文章） [1,0,0,0,0]体育（15篇文章） [0,1,0,0,0]政治（15篇文章） [0,0,1,0,0]科学（15篇文章） [0,0,0,1,0]无（15篇与其他无关的随机文章） [0,0,0,0,1]

我从维基百科上下载了每个类别中大约15篇较长的文章，以构建我可以用来训练网络的语料库。

在从所有文章中收集了大约1000个单词的词汇表后，我将每篇文章转换成了词向量，并附上了正确的分类器标签。

词向量是一个热数组，而标签是一个独热数组。

例如，以下是一个文章的表示方式：

[ [0,0,0,1,0,0,0,1,0,0,... > 1000], [1,0,0,0] # 这映射到金融]

因此，实际上，我有一个随机的词向量列表，它们映射到正确的分类器。

我的网络是一个三层的深度神经网络，每层包含500个节点。我让网络运行超过30个周期，然后显示模型的准确率。

目前，我的准确率大约在53%到55%之间。我的问题是，如何将准确率提高到90%以上？这是否可能，还是我会因为试图训练这个模型而发疯？

此外，我的主要瓶颈是什么？

根据下面的评论进行了编辑

神经网络并不是设计为在单台机器上运行得最好的，它们在有集群或至少是生产级机器的情况下表现得更好。通常会消除语料库中的“长尾” – 如果一个术语只在一个文档中出现一次，你可能想要消除它。你可能还想应用一些词干提取，这样就不会捕捉到同一个词的多个变体。我强烈建议你在修剪之前尝试对你的语料库应用TFIDF变换。

网络大小优化本身就是一个领域。基本上，你尝试增加或减少节点，看看这会把你带到哪里。有关技术讨论，请参见以下内容。https://stats.stackexchange.com/questions/181/how-to-choose-the-number-of-hidden-layers-and-nodes-in-a-feedforward-neural-netw

回答：

没有看到数据就无法知道。

可以尝试的事情：

将你的词向量转换为TFIDF。你是否在去除停用词？你可以将双-gram/三-gram添加到你的词向量中。

增加更多的文章 – 在这么小的语料库中可能很难区分它们。特定文档的长度不一定有帮助，你需要更多的文章。

30个周期对我来说感觉非常少。