La traducción automática se utiliza en muchas aplicaciones en la vida cotidiana. Debido al aumento de documentos traducidos que necesitan ser organizados como útiles o no (para construir un modelo de traducción), la categorización automatizada de textos (clasificación) es un campo de investigación popular en el aprendizaje automático. Este tipo de información puede ser bastante útil para la traducción automática. Nuestros corpus paralelos (inglés-griego e inglés-italiano) se basan en datos educativos, que son bastante difíciles de traducir. Aplicamos dos arquitecturas de vanguardia, Random Forest (RF) y Deeplearnig4j (DL4J), a nuestros datos (que constituyen tres salidas de traducción). Hasta donde sabemos, esta es la primera vez que se aplican arquitecturas de aprendizaje profundo a la selección automática de datos paralelos. También proponemos nuevas características basadas en cadenas que parecen ser efectivas para el clasificador, e investigamos si un método de selección de atributos podría ser utilizado para una mejor precisión de clasificación. Los resultados experimentales indican un aumento de hasta el 4% (en comparación con nuestro trabajo anterior) utilizando RF y resultados bastante satisfactorios utilizando DL4J.