提供了5各类别的中文文档各若干篇，5个类别分别是文学、教育、计算机、医学、体育。要求编写程序，通过对5个类别中文档的学习，获取5种文档的类别向量。然后自己寻找任意5个类别的文档，通过你的程序处理，能够获得正确的类别信息。（本题属于文本的自动分类问题）并通过一定数量的文档测试，计算你的程序分类的准确率。

这道题需要使用文本分类的技术来解决，可以采用机器学习算法或深度学习算法。这里我介绍一种基于深度学习的文本分类方法，使用预训练的词向量和卷积神经网络（CNN）进行分类。

1. 数据预处理

首先，需要将文本转化为数字表示，这里采用词袋模型，将每个文档表示成一个向量，向量的每个元素表示一个词在文档中出现的次数。同时，为了保证每个文档向量长度一致，需要将所有文档向量填充或截断为相同长度。

2. 构建卷积神经网络

卷积神经网络（CNN）是一种常用于图像处理的深度学习模型，但它也可以用于文本分类。在文本分类中，可以使用卷积操作来提取文本中的局部特征，并通过池化操作将这些特征合并成全局特征，最后通过全连接层进行分类。

在构建CNN模型时，需要使用预训练的词向量作为输入层，并使用卷积层、池化层和全连接层构建中间层。最后使用softmax函数作为输出层，将预测结果转化为概率分布。

3. 训练模型

将预处理后的数据集分为训练集和测试集，用训练集来训练模型，用测试集来评估模型的性能。训练模型时，需要设置一些超参数，如卷积核大小、池化大小、学习率等。

4. 测试模型

在测试集上测试模型的准确率，可以使用混淆矩阵来评估模型的性能。混淆矩阵是一个二维矩阵，其中每行表示实际类别，每列表示预测类别。矩阵中的对角线元素表示正确分类的样本数，非对角线元素表示错误分类的样本数。

5. 使用模型进行预测

在模型训练完毕后，可以使用模型对新的文本进行分类。首先需要对新的文本进行预处理，然后将其输入到训练好的模型中，得到预测结果。

以上是一种基于深度学习的文本分类方法，实现起来较为复杂，需要一定的编程和数学基础。如果需要更详细的介绍，可以参考相关的书籍和论文。