Los medios de comunicación siempre buscan informar al público en general. Es imposible sobrestimar la importancia de entender la semántica de la cobertura de noticias. Tradicionalmente, un texto de noticias se asigna a una sola categoría; sin embargo, una noticia puede contener información de más de un dominio. En este documento se propone un modelo de clasificación de texto de varias etiquetas para noticias. El modelo propuesto es un sistema experto automatizado diseñado para optimizar la clasificación de CNN de elementos de noticias de varias etiquetas. El rendimiento de una CNN depende en gran medida de sus hiperparámetros, y ajustar manualmente sus valores es una tarea engorrosa e ineficiente. Un algoritmo de optimización metaheurística de alto nivel, optimizador de hienas manchadas (SHO), tiene mayores capacidades avanzadas de exploración y explotación. SHO genera una colección de soluciones como un grupo de hiperparámetros a optimizar, y el proceso se repite hasta que se logra la solución óptima deseada. SHO se integra para automatizar la sintonización de los hiperparámetros de una CNN, incluyendo la tasa de aprendizaje, el momento, el número de épocas, el tamaño del lote, la deserción, el número de nodos y la función de activación. Se utilizan cuatro conjuntos de datos de noticias públicamente disponibles para evaluar el modelo propuesto. Los hiperparámetros ajustados y la mayor tasa de convergencia del modelo propuesto resultan en un mayor rendimiento para la clasificación de noticias de varias etiquetas en comparación con una CNN base y otras optimizaciones de CNN. Las precisiones resultantes son del 93,6%, 90,8%, 68,7% y 95,4% para RCV1-v2, Reuters-21578, Slashdot y NELA-GT-2019, respectivamente.