[论文解读] Selecting Seed Words for Wordle using Character Statistics

Nisansa de Silva|arXiv (Cornell University)|Feb 7, 2022

Educational Assessment and Pedagogy参考文献 2被引用 7

一句话总结

本文提出一种数据驱动的方法，通过分析五字母英文单词中字符的频率统计，选择Wordle游戏的最优起始词。通过计算全局字符频率并应用贪心的重叠避免选择算法，研究识别出 'raise'、'clout' 和 'nymph' 为前三名起始词，覆盖15个唯一字符，最大化初始信息增益，并通过词表过滤和与Wordle官方词表的手动验证进行实证验证。

ABSTRACT

Wordle, a word guessing game rose to global popularity in the January of 2022. The goal of the game is to guess a five-letter English word within six tries. Each try provides the player with hints by means of colour changing tiles which inform whether or not a given character is part of the solution as well as, in cases where it is part of the solution, whether or not it is in the correct placement. Numerous attempts have been made to find the best starting word and best strategy to solve the daily wordle. This study uses character statistics of five-letter words to determine the best three starting words.

研究动机与目标

• 确定Wordle中能最大程度覆盖高频字符且最小化重叠的前三名起始词。
• 开发一种系统化方法，利用字符统计和贪心选择来优化初始词选择。
• 确保所选词汇在Wordle官方词表中有效，避免使用生僻或不被接受的术语。
• 提供一种数据驱动的替代方案，以替代启发式或手动选择的起始词。

提出的方法

• 通过聚合公共英文词表中所有五字母单词的字符计数，构建全局字符频率图 F。
• 将词表过滤为仅包含五个唯一字符（无重复字母）的单词，得到13,672个单词。
• 根据频率图中各字符频率之和，为每个单词分配一个数值。
• 应用贪心算法选择高分单词，确保所选单词之间无字符重叠，以最大化信息多样性。
• 使用递归过滤机制，从剩余候选词中迭代选择下一个最佳单词，避免与已选单词重叠。
• 通过与Wordle官方词表交叉核对，并手动剔除无效或生僻词汇，验证结果。

实验结果

研究问题

• RQ1 在Wordle中，哪一组三个起始词能最大程度覆盖高频字符，同时最小化单词之间的重叠？
• RQ2 如何利用五字母英文单词中的字符频率统计，推导出最优的起始词组合？
• RQ3 基于数据的字符频率方法在多大程度上优于启发式或手动选择的起始词？
• RQ4 排除含有重复字母的单词对起始词选择质量有何影响？
• RQ5 哪些特定的词组合能在Wordle的初始猜测阶段实现最高信息增益？

主要发现

• 在五字母单词中，字符 'a' 的频率最高，达到0.1124，这与传统认为 'e' 最常见的假设相矛盾。
• 在过滤重复字母后，剩余13,672个无重复字母的五字母有效单词，占原始21,952个五字母单词的62.28%。
• 在数值图中，'raise' 是排名最高的单个单词，紧随其后的是 'clout' 和 'nymph'，构成前三名候选词。
• 词表过滤过程中，需手动剔除10个排名靠前但无效的词汇（如 'aires'、'aesir'、'nould'），因其未被Wordle官方词表接受。
• 最终推荐的起始词组合 'raise'、'clout'、'nymph' 经验证为覆盖15个唯一字符的最高分有效组合。
• 本研究结果与独立自动求解器的推荐一致，证实了基于频率的选择方法具有稳健性。