数据集概述
该数据集包含12295份独特游戏攻略文档，覆盖6117款游戏。提供攻略文档的单字、双字频率（按文档和句子层级统计），以及游戏标题、发行商、开发商、年份、类型等元数据。所有统计数据和元数据通过URN关联，支持多维度组合分析，适用于游戏语言相关研究。
文件详解
该数据集包含data、metadata、doc三个目录，具体说明如下：
- data目录（文档数据）：
- bagofwords：按文档统计的单字频率
- bigrams：按文档统计的双字频率
- corpusstats：统计信息，包括文档的令牌数、类型数、类型/令牌比的最小/平均/最大值，以及游戏对应的文档数和标准差
- game_walkthrough_mapping：游戏与攻略文档的映射关系，包含每个游戏对应的文档数量
- sentencecollocations：按文档句子层级统计的单字频率
- sourceUrls：原始攻略文档的链接
- textlength：每个文档的字符数
- tfidf_deu：德语词汇在文档中的重要性统计
- tfidf_eng：英语词汇在文档中的重要性统计
- tokencount：每个文档的唯一词汇数
- typecount：每个文档的词汇总数
- metadata目录（游戏元数据）：
- 非下划线开头文件：按游戏单独存储的元数据文件
- _all：整合所有游戏元数据的文件
- _mapping_release_date*：结合发布日期的元数据文件，支持时间序列分析
- doc目录（文档说明）：
- createdata：生成data目录内容的Python脚本
- extractMetainformation：生成metadata目录内容的Python脚本
- metadata_rawg：从RAWG收集的游戏元数据
- metadata_steam：从Steam收集的游戏元数据
- metadata_symbol：质量控制文件，关联源HTML文本与提取文本
- titlesandurns：游戏标题与项目标识符的映射文件
适用场景
- 游戏语言研究：分析不同游戏类型（如冒险类）的高频词汇特征，探究游戏攻略语言的风格规律
- 数字人文分析：通过"远距离阅读"方法研究游戏文化相关的语言现象
- 文本挖掘应用：验证游戏攻略语料的单字、双字频率分布规律，优化游戏领域的自然语言处理模型
- 游戏产业分析：结合元数据研究不同年代、开发商、发行商的游戏攻略语言差异
- 跨语言对比：分析英语、德语等不同语言游戏攻略的词汇使用特点
