2023美赛O奖：C题论文翻译（2）.pdf

ProblemChosen2023TeamControlNumber

CMCM/ICM2301192

SummarySheet

破解世界大战词属性分析方法:

摘要：在过去的600天里，一款名为“世界”的五字母益智游戏在Twitter上掀起了一阵热潮。世界

大战玩家的得分报告对管理者来说至关重要，因为它们为评估游戏难度、预测玩家数量和及时做出调

整提供了有价值的信息。为了更好地分析报告并提供游戏改进建议，我们从多个角度和层面对这一主

题进行了深入而密切的研究。

首先，为了解释世界大战报告数量的变化并做出预测，我们将玩世界大战与传染病的传播进行了

类比。我们将玩世界大战与感染进行比较，将玩家与被感染的个体进行比较，将长期不玩世界游戏的

个体与易感个体进行比较，将厌倦游戏的个体与康复的个体进行比较，将Twitter上的分享与传播进

行比较，将退出游戏与康复进行比较。基于这些假设，我们使用SIRS模型来拟合曲线并解释总体趋

势。我们还使用Prophet模型插入断点来解释数据振荡，并为未来数据提供预测区间。模型评价结果

表明，我们的模型具有较高的可解释性和准确性。

接下来，我们从包含大量语料库信息的词数据库中提取各种词属性，并使用多元线性回归来研究

词属性与Hard-Mode分数之间是否存在关系。然后，我们基于f统计量对模型的显著性进行检验。结

果显示，这两个因素之间没有显著的相关性。

此外，我们基于之前提取的词属性构建BP神经网络模型来预测猜词数的分布。评价结果表明，

该模型具有较高的预测精度和效率，为下一步的分析奠定了坚实的基础。

进一步，我们使用k-means++聚类算法将单词分为简单、中等和困难三类。我们分析单词属性

和难度之间的关系，按难度对解词进行分类。我们发现，一个词的难度与该词中不同字母的数量、字

母频率的总和以及该词在不同领域的使用广度密切相关，但没有明显的证据表明难度与词频之间存在

相关性。结合之前的BP神经网络模型，可以对单词进行准确的分类。

此外，我们发现“木乃伊”、“手表”等常识词的猜测难度较高，单词的首字母与其猜测难度也存在

一定的相关性。

最后，我们向《纽约时报》的编辑提供预测数据和改进建议，以帮助他们改进《世界大战，提升

游戏的吸引力。

关键词:先知;SIRS;多元线性回归;BP神经网络;k-means++

目录

破解世界大战词属性分析方法:1

1介绍4

1.1背景4

1.2重述问题4

2假设和符号4

2.1假设4

2.2符号5

3模型1-基于Prophet和SIRS的解释与预测集成模型5

索性分析5

3.1数据预处理与探

3.1.1数据采集与预处理5

3.1.2数据描述和探索性分析6

3.2先知模型6

3.3报告数量变化的解释8

3.4提取单词的属性10

3.5词属性对硬模式

报表比例的影响11

3.5.1模型建立11

3.5.2回归方程的显著性检验11

4模型2-基于BP神经网络的分布预测模型12

4.1B