如何让他喜欢你?让他多看一眼


多看你一眼,就会喜欢多一点。咦?为什么呢?来看看。

女友让我给她的同事介绍男朋友,我说出了一个名字,女友简直跳起来:“啊,他哪里配得上我同事?” 。其实,她同事并不见得有多美,不过,在她眼里,同事美若天仙。

想起我当红娘的一次经历。我是女方线人,朋友是男方线人,看他们迟迟没有进展,我打电话给朋友:“那女孩可是人尖儿,一堆人在后面候着呢!”朋友不疾不徐:“没到时候吧。”“都很忙吧。”又过了一个月,和朋友吃饭,我声讨:“你那牛粪怎么回事,我这儿鲜花可等着呢!”朋友回:“什么世道,牛粪不急鲜花都急了。”

玩笑过后,停下来想,自己是否也有同样的倾向——觉得自己的朋友无可挑剔,别人都是高攀。

越熟悉的东西越喜欢,越是身边的人越觉得赏心悦目,心理学上把这种现象称为“多看效应”,简而言之,看得越多越觉得喜欢。

20世纪60年代,心理学家查荣茨就类似的现象做过一个实验:

他向参加实验者出示一些人的照片,有些照片出现了二十几次,有的出现十几次,而有的只出现一两次。之后,请看照片的人评价他们对照片的喜爱程度。结果发现,参加实验的人看到某张照片的次数越多,就越喜欢这张照片。他们更喜欢那些看过二十几次的熟悉照片,而不是只看过几次的新鲜照片。与人们惯常以为的“喜新厌旧”相反,看的次数增多反而增加了喜欢的程度。

无怪乎,我们都觉得自己的朋友是“极品”,而不熟悉的人都属“残次”了。一个人就算你最初不怎么感兴趣,相处久了也觉得他总有可取之处。不信,看看办公室里的同事们,是不是个个都挺顺眼的?再看看身边的朋友们,是不是人人都怪不错的?还有你的父母,你的亲戚,怎么每一个都那么慈眉善目?

人际交往中,如果你足够细心,可能会发现,那些人缘很好的人,往往很会利用“多看效应”,他们善于利用机会接触对方,提高彼此的熟悉度,继而提高自己的人际吸引力。

读大学时,系里有一个八面玲珑的女孩,人缘好得让人羡慕。可以说,系里的每个人,无论男女,跟她都很铁。后来发现,她的秘诀就是“串门”,经常到各个寝室串,几乎和每个人都聊过天、谈过心、逛过街、出过门。男生宿舍那边,也是常客,打牌、唱KTV,从来没少过她。

好处是,不管什么选举,她的票数总是遥遥领先,用当时的话讲,就是群众基础极好。

今天想来,她可是将“多看效应”发挥得淋漓尽致了。

有人曾经就做过这样的试验:在大学里随机找几个寝室,发给她们不同口味的饮料,然后要求这几个寝室的女生,可以以品尝饮料为理由,在这些寝室间互相走动,但见面时不得交谈。

一段时间后,心理学家评估她们之间的熟悉和喜欢的程度,结果发现:见面的次数越多,互相喜欢的程度越大;见面的次数越少或根本没有,相互喜欢的程度也较低。

所以,作为大学生,如果你想改善自己的人缘,不妨多在寝室间走动一下,即使只是露个脸,借瓶开水、换本书。在这些细节的来来往往中,就无形中提高了自己的人际吸引力,也获得了你所期待的群众基础。

作为职场人士,埋头苦干也并非明智之举。只管自己眼前那个小摊子,不与人交往,遇事喜欢后撤,发言喜欢往后错,开会喜欢往后坐,这样,只会让一个人的职业发展之路止步不前,这个人也会变得越来越边缘。

有一个词叫做“职场透明人”,说的就是那些严重被忽视、被忽略的人,活儿没少干,但就是不在同事和领导的视野内。说的话不被重视,做的事不被肯定,就连同事生个孩子、周末聚个会,都故意不通知他。总而言之,无论说什么做什么,都引不起别人的重视和关注。时间久了,你可能根本忘了这个人的存在。

归根结底,都是不善于经营自己的职场形象,生生把自己与周围隔开了一道墙。简单地,看看身边,经常与人聊天,拉拉家常,带点小礼物的同事,是不是人缘要好许多?经常在领导身边出现的人,是不是往往比较讨领导欢心?当然,不是鼓励溜须拍马,露脸也要讲技巧,比如吃饭时的礼貌招呼,电梯里的寒暄问候,会议上的相视一笑,某次活动中的出色表现······只要你不再低头走过,就是一个良好的开端。

当然,“多看效应”并非万能钥匙。它发挥作用的前提是,首因效应要好,即给人的第一印象不是很差,如果第一印象就很差,那么见面越多就越惹人讨厌,“多看”反而让人“多厌”,那就得不偿失了。所以,一切的前提,还是认清自己,理顺了,再拿给别人看。

越熟悉的东西越喜欢,越是身边的人越觉得赏心悦目。与人们惯常以为的“喜新厌旧”相反,看的次数增多反而增加了喜欢的程度。

内容来源:墨松博客(微信&企鹅:710679977) ,转载请保留出处!

永久链接:http://zingson.com/182.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值