与此相反，迈克尔发现虽然每个“赞”仅仅提供了关于一个人的点滴信息，但大量的“赞”累积起来就可以让他的算法得出可靠的结论。为了整合我们所有的“赞”，迈克尔和他的同事使用了主成分分析法。他收集了成干上万个不同类型的“赞”，并使用主成分分析法来找到它们中的哪些对同一个成分做出了贡献。比如说，披头士、红辣椒乐队（RedHotChili Peppers）和电视剧《豪斯医生》（House）都是在一个维度上被发现的，我们可以把它标记为“中年摇滚音乐和电影”。另一个维度则可以被我们标记为“广告产品”，包括迪士尼-皮克斯（DisneyPixar）、奥利奥和YouTube，不一而足。迈克尔发现，对我们进行精确分类需要40到100个维度。
迈克尔强调说，相比人类，电脑能发现更微妙的关系。“显而易见，那些去同性恋俱乐部、购买同性恋杂志的人更有可能是同性恋。”但他告诉我，电脑可以针对那些对我们而言不那么显著的信号做出预测。事实上，在被他的算法贴上“同性恋”标签的用户中，只有5%的人赞了一个明显的同性恋脸书页面。为确定用户的性取向，算法需要结合从“小甜甜”布兰妮（Britney Spears）到《绝望主妇》（Desperate Housewives）等众多不同的点赞数据。
虽然迈克尔对脸书数据的大规模分析别出心裁，但他对主成分分析方法的运用却并不新鲜。在过去的50年里，社会学家和心理学家一直利用主成分分析法对我们的个性、社会价值观、政治观点和社会经济地位进行分类。我们喜欢把自己想象成多维的人，把自己看作是复杂的个体，有着众多不同的性格侧面。我们告诉自己我们是独一无二的，我们一生中发生的数以百万计的独特事件塑造了独一无二的我们。但是主成分分析法可以将这些百万计的复杂维度减少到极少的维度，少到可以把我们“放到小盒子里”，或者用一个更形象的比喻来形容，少到可以用少量的不同符号来代表我们。主成分分析法告诉我们，我们可以或多或少地把我们的朋友
第一部分 算在监我数据做了什么？
29