character_doc2vecを用いて作成した分散表現モデルを 利用して分類問題を解こうというものになります。

また、doc2vecの精度の確認もしたかったためBoWの分散表現での分類もしています。
bowファイルとsklearnファイルはBoWの分類になります。

分類にはChainerのFFNNの3層モデルを使って行っています。
また、sklearnでも分類が解けるので精度確認のため行っています。

キャラクター1　台詞
キャラクター2　台詞
......
というデータを用いて台詞を該当キャラに分類しようとしています。

例としてchainer_learn_BoWを使っています。
python chainer_learn_BoW.py --data 分類したいデータ --dict 辞書データ --epoch エポック数 --batchsize バッチサイズ --units 隠れ層のユニット数 --labelnum 分類先の数
で学習、検証が始まります
またbowとsklearnには辞書データが必要になりますので準備してください。

Python 3.5.1
mecab-python3 (0.7)
Scrapy (1.5.0)
requests (2.18.4)
gensim (3.4.0)
chainer(3.0.0)
sklearn(0.19.1)

実行結果の予測を見るとdoc2vecの精度が70%、BoWが90%となっています。
このためdoc2vecの学習が上手くできていない、もしくはもっと幅広いデータを使って作成する必要があることが分かりました。
そのため次はWikiを使った分散表現を使ってみようと思います。

Chainerv2による実践深層学習
chainerで文書分類（ニュースをカテゴリ分け）　訓練後を中心:http://geomerlin-com.hatenablog.com/entry/2017/01/27/223524