大数据分析,什么样的美女最受男生青睐?

数据库
这篇文章探讨的是女性吸引力,但没有通常看到的照片分析之类的东西。相反,我们采用过去的女人图片,分析她在男同胞们头脑里产生的反应。

[[112680]]

 我们将展示以下显著的现象:

• 男人们作为一个群体对女性长相越有分歧,最后喜欢她的人越多。

• 男人们通常会忽视掉那些仅仅可爱的女生。

• 事实上,有些男人认为她长得丑,这反而会帮到这个女人。

公正性警告:我们将把女性作为客观对象来讨论,不惜笔墨。本文的目的是分析OkCupid网站的数据,没有一点点客观对象化是不可能的。不久会轮到把男性作 为客观对象来分析展示给大家。按照惯例,本文中没有任何分析(名人的例子除外)是我个人的观点。所有数据均是从实际用户活动中收集的。

 

1. 咱们从头开始。

所有的人,尤其是男人们花费大量精力搜索、浏览和联系我们最热门的用户。正如以前提到的,受欢迎女性收到的交友信息大约是相貌平平女性的4倍(备注:原文用 4X表示),是丑女收到的25倍(备注:原文用25X表示)。深陷信息中会把网站用户,尤其是女性吓跑。因此,我们必须分析和重新指导这个趋势,以免 OkCupid成为sausageparty那样的网站。

几乎每隔一段时间,我们都会运行下面这样的分析图,显示以5000名女性为例,按吸引力排序,在上一个月中能收到多少信息。

这些图按种族、位置、年龄、档案完整程度、登录活跃程度等做了调整——这些人之间唯一有意义的不同点是她们的长相。运行许多这样的图之后,我们开始问自己: 还有什么原因导致X广泛分布,尤其是占了图中一半数量的“长相高于平均水平”人收到的信息量有多有少。难道仅仅是随机现象?

 

下面是这个女性的分析:

 

她得到的关注比下面的女性要高:

…尽管根据我们的用户反馈,她们都是美人

 

2. 美丽(7分)并不相同

为了解释这种现象,第一步就是用数学方法来区分吸引力的程度。 比如,采用经典的10点分来作为“长相”的满分,如果一个人的评分为7,这可能是因为每个看到她的人都会这样想:她非常可爱。

但是极有可能出现的却是下面这种情况:

 

如果我们只知道她的评分为7,是没法看出她属于上面哪一类的。也许对于有些人来说假设的满分美女是不同凡响、引领潮流的,而其他人认为美女是享乐主义的。谁知道呢? 事实证明,这种分布的观点非常重要。

 

3. 名人照片:抛砖引玉和说明

让我们来看看一些著名人物的评分的分布情况是什么样的。我猜想,比如说女演员克里斯汀.贝尔的长相评分大致是这样的:

贝尔小姐被大众认为是美女,但她的分数看上去并不像是一个超级名模或者什么顶尖人物。她可能在“非常美”的评分范围只能得到几票,大多数的票数在“非常有吸引力”左右,没人把她的票投在图表左端的“不吸引人”上。

 

相比较而言,梅根·福克斯可能得到这样的评分:

 

图表最右边,可能有很多的帅哥觉得她是最性感的。在最左边,少数人看过她的电影。

 

与贝尔小姐不同,福克斯女士让人们产生了强烈的反应,即使有时这种反应不是正面的。

4. 现实生活的人们

现在让我们回头再来看前面的两个真实用户,这一次用她们的图表。 OkCupid网站按从1到5星级评价长相,所以其它讨论都以此为根据。本文展示的所有用户都是慷慨的女性,她们有足够信心允许我们在网站上做分析,感谢她们。好了,这里有:

正如你看到的,尽管上面这两名女性的吸引力评分非常接近,她们收到的投票 模式却有所不同。左边的评分显示人们有所共识,右边的评分显示了意见分歧。

 

再细致一点说来就是:

 

  • - 左边的女士,在绝对意义上,认为稍微更有吸引力

  • - 右边的女士,相对多达142%的人们给了她最低分

然而,右边女士收到的交友信息是左边女士的3倍。

当我们开始用其他”长相和侧脸相似,但收到的交友信息数不同”的人来配对时,这种模式一次又一次呈现。收到消息少的女性通常被认为有一贯的吸引力,而收到消息多的女性往往在男人看来吸引力有分歧。下面再举几个例子:

 

男人对女性长相越有分歧,就有越多的人喜欢她。 我 们感觉似乎能发现什么,所以,作为数学书呆子,穿上运动裤。然后做了一些分析。 我们的第一个结论是:对女性评分数和她收到的交友信息数量做标准差比较,发现,男人们对女性长相评价的分歧越多,就有越多人喜欢她。对此绘制的喜好偏差与 收到的交友信息的关系曲线如下,再举一些例子。

 

图中沿曲线标识的女性在吸引力排名中大约为前80%。

 

这得用一点算术,而且很难用简单的折线图来解释。基本原理是:根据女性得到的投票数,用一个公式来预测女性能得到多少关注量,关注量的计算是基于曲线上的投票数。用这个公式,我们可以把“男人认为女性长得怎么样”翻译成“她能得到多少关注”。

 

我们得出的公式看上去不透明,但是用它计算,就会看到人们有趣的观点,以及男人们会向哪些女性示好。

*******************************************

 

如果你对代数感兴趣

我们以43000名女性的数据作为样本用回归法分析。 为保证前提一致,所有这些女人是异性恋, 年龄介于20和27岁之间,而且住在同一个城市。本文中给出的公式是降低m3,使其p值非常接近1后,第二次回归得到的最佳结果 。

Msgs是观察期内女性收到消息数量。常数k反映了她在整个网站的活动水平。对于这个方程, R2 = .28, 这在实验或问题研究中并不是一个大数字,但应用在真实的社会环境中非常好。

 

*******************************************

 

需要搞明白,最重要的是ms代表男人对她长相评价的投票,以此算出她收到的交友信息数曲线,譬如:

 

那些前面带正号的投票数(ms):表示男人会发信息给女性,前面带负号的:说明要减去信息数量。这个公式告诉我们的有以下信息: 认为你火辣(hot)的男人越多,你收到的信息就越多。

 

我们怎么知道此原理的——m5前面的0.9是最大的正数,也就是说,认为你很迷人(投票给你一个满分’5′)的家伙们是给你发信息最多的贡献者。这当然是个预测结果,提示给我们:公式是能讲得通的。 觉得你可爱(cute)的男人,实际上应从你收到的信息中减掉。 我们怎么知道此原理的——因为m4前面的系数0.1是负数。这就说明,给你投票为’4′ 的人,认为你长相高于平均水平的那些人,实际上应从你收到的信息中剔除。非常令人惊讶。事实上,当你把它和m1前面的正数一起看,我们的公式从统计上看能说得通:

这是一个非常疯狂的结论,但我们每次计算——通过变换约束值,尝试不同的数据样本等,这个理论都会显现生效。

 

5. 我们的想法是怎么回事

所以这便是我们的悖论:当有些人认为你丑时,其他人更有可能发消息给你。而当有些男人觉得你很可爱时,其他男人对你倒是缺乏兴趣。为什么会出现这种情况?也许得用点博弈论来解释:假设你是个男人,并真地对某人感兴趣。如果你怀疑其他男人都不感兴趣,就意味着更少人来竞争。因此,此想法会激励你 给她发送消息。你可能会想:也许她很孤单……也许她恰好在等待一个欣赏她的人……至少我不会埋没在人群里……也许这些小心思,加上事实上你真地觉得她漂亮,会促使你行动。发给她你精心考虑过的完美的开场词。

“最近好吗”

另一方面,’4′票占多数的女人,通常被认为可爱,但并不火辣,看上去的情形可能比实际上更受欢迎。一般男人会这样考虑:她的魅力明显足以吸引其他人和她交往。但不足以使男人不顾一切地给她发交往信息。这就是可爱的矛盾之处。

整个情形看起来是这样:

 

6. 最后:这对你意味着什么?

我不认为每个女人都关心是否其他人关注她。但是如果你关心的话,上面的分析有什么实际意义呢? 好吧,从根本上,改变你的整体吸引力很难(也就是开篇我们讨论的长相评分)。但是你创造出来的差别是掌控在自己手中的,很简单,即:把差别最大化:

采用任何你认为有些人不喜欢的方式,突出展示出来。

 

正如你可能已经注意到的,带纹身和穿孔的女性似乎凭直觉把握了这个原则。她们炫耀自己与众不同之处,才不管人家喜不喜欢呢。而且她们得到很多人的关注。

但我们的建议可以适用于任何人。浏览OkCupid网站时,我发现众多照片显然在尽可能减少一些不具吸引力的特征——一个可能超重的人从生活照中剪切出来的头像就是典型的例子。我们有些算法表明:消减你的“瑕疵” 达到的效果会是相反的。如果你有点小胖,展示出来。如果你有一个大鼻子,展示出来。如果你有一个奇怪的暴牙,展示出来:从统计学上来说,不喜欢它的男人只会帮到你,那些喜欢它的人会更兴奋。

 


责任编辑:彭凡 来源: 中国大数据分析与应用社区
相关推荐

2015-02-05 12:51:24

虚拟主机

2015-02-05 12:45:01

虚拟主机

2015-02-05 12:45:01

虚拟主机

2013-06-25 09:54:01

App Store排名应用商店

2013-11-25 10:09:34

公有云大数据私有云

2022-03-29 14:49:14

大数据数据分析

2016-10-20 16:04:30

大数据电影

2017-03-01 10:04:16

2016-12-13 09:33:13

大数据数据挖掘数字化运营

2017-02-15 14:47:34

冷存储

2018-09-26 20:01:17

金融大数据数据平台

2015-04-08 10:40:09

2022-03-07 15:44:50

大数据智能交通技术

2015-05-18 10:37:48

物联网大数据分析物联网安全

2019-04-15 15:32:12

大数据开发数据分析数据科学

2016-04-01 11:29:33

曙光

2018-09-16 15:40:06

大数据平台数据仓库架构

2017-05-27 14:25:31

大数据生活影响

2017-03-21 10:55:22

大数据
点赞
收藏

51CTO技术栈公众号