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。 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：
如果有人认为你不火辣(hot)，那么最好接下来他们认为：你丑。
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
