如何实现猜对后降低选中概率的动态权重作者随机选取

数据结构设计：嵌套字典完全可行 #

直接用嵌套字典存储即可，外层键为历史时期，内层键为作者名，值为该作者被猜对的次数（初始值设为1，保证第一次选取时有正常概率）。示例结构：

period_authors = {
    "periodOne": {"Author1": 1, "Author2": 1},
    "periodTwo": {"Author3": 1, "Author4": 1}
}

这种结构的优势：

• 快速定位任意作者的计数，更新操作耗时O(1)
• 天然按历史时期分组，方便后续扩展（比如按时期筛选作者）

加权随机选取作者 #

核心逻辑是让被猜对次数越多的作者，选中概率越低。具体步骤：

1. 收集所有作者与权重：遍历嵌套字典，为每个作者计算权重，权重设为1 / 猜对次数——次数越多，权重越小，选中概率越低。
2. 加权随机选择：用语言自带的加权随机工具实现，比如Python的random.choices：

import random

def select_author(period_authors):
    authors = []
    weights = []
    for period, author_counts in period_authors.items():
        for author, count in author_counts.items():
            authors.append(author)
            weights.append(1 / count)
    # 选取1个作者
    return random.choices(authors, weights=weights, k=1)[0]

猜对后的更新逻辑 #

当用户猜对某作者的所属时期后，直接找到该作者的计数并加1即可：

def update_author_count(period_authors, target_period, target_author):
    period_authors[target_period][target_author] += 1

可选优化点 #

• 设置计数上限：比如将最大计数设为5，避免某个作者权重趋近于0，彻底失去被选中的机会，保证所有作者都有出场可能。
• 缓存权重列表：如果作者数量极大，可维护一个全局的作者-权重缓存字典，每次更新计数时同步更新缓存，避免每次选作者都遍历全量数据。

内容的提问来源于stack exchange，提问作者M3mber