2021美赛D题翻译和思路
团队为建模国一获得者，有丰富建模经验，因为需保证建模思路的完整性，更新较慢，怕被D、新号。
D题翻译
D题思路
问题一：使用Impact_data数据集或其中的一部分来创建音乐影响力的（多个）定向网络，将影响者连接到追随者。开发可捕获此网络中“音乐影响力”的参数。通过创建定向影响者网络的子网来探索音乐影响力的子集。描述此子网。您的“音乐影响力”措施在此子网络中体现了什么？
针对此问题：对于音乐进行量化，其中影响因子有：天生的创造力，当前的社会或政治事件，使用新乐器或工具，或其他个人经历。
除了给出的因素外，应当适当考虑其他因素，比如历史潮流，年龄，音乐人的社会地位和在领域内的地位，艺术家所属领域的热门程度等。
为了确定艺术家的音乐影响力，而建立所需要的定向网络就是找出influence数据集中的影响者艺术家和追随者艺术家之间的关联程度。
思路如下：
1、对所有数据进行处理，找出准随者和影响者的领域，匹配之后得到影响者和追随者之间的从属关系。
2、对于处理好的数据进行分析，利用数据对影响者影响的人数进行分析，统计人数，判断出领域内的艺术家大师人数。在同一个领域，对于不同年份进行分析结果以图表形式展示。
3、最后建立综合评价模型，可以建立综合评价模型，指标现在处理为：此艺术家的影响人数，所在领域人数，各个年份的影响人数，（统计艺术家所在领域此年份的所有人，然后根据影响人数进行排名），所在年份竞争力（这一年份的所有领域的艺术家总人数）。
问题二：使用音乐特征的full_music_data和/或两个摘要数据集（包括艺术家和年份）来制定音乐相似度的度量。使用您的度量，流派的艺术家是否比流派的艺术家更相似？
思路：要求建立音乐相似性度量模型，并判断是否流派内的艺术家比流派间的艺术家更相似。
1、可以利用spss相关分析（比如因子分析之类的）探究各指标与受欢迎程度之间的相关关系，将相关性低的几个指标剔除。或者利用主成分分析对数据进行降维。歌曲特征包括不限于结构、节奏或歌词。
2、两个音乐之间的相似程度，可以用皮尔逊相关系数或者spearman相关系数。用相关关系热力图展示。
扫码获取全部：
