同名、同城、同生日……人们常用"好巧哦"来制造缘分感。但当特征开始叠加，巧合会以惊人的速度消失——本页用官方公开数据，解释防渣指南三层风险匹配引擎背后的概率科学。
撞上任何一项都只是"巧合的常态"，系统只做提醒、不下结论
| 特征 | 单项碰撞概率 | 14亿人中撞上 | 防渣含义 |
|---|---|---|---|
| 同名（热门名，如张伟） | 0.021%（1/4757） | 29.4万人 | 公安部《全国姓名报告》实测。名字撞上毫无意义 |
| 同名（普通名） | ≈0.0014% | 约2万人 | 同样不能定人 |
| 同城（293个地级市） | ≈0.5% | 约700万人 | 纯背景信息，大城市概率更高 |
| 同区县（2844个县级区） | ≈0.03% | 约42万人 | 弱特征；但同城条件下同区县≈1/10，区分度放大 |
| 同微信号 | ≈0（全国唯一） | 出现即同一人 | 强特征！撞上=同一人或恶意冒用——渣渣惯用手法 |
| 同手机号 | ≈0（全国唯一） | 出现即同一人 | 同上，需区分"换号重新启用"场景 |
单项依然"撞得起"，但一旦与基础层叠加，区分度急剧放大
| 特征 | 单项碰撞概率 | 14亿人中撞上 | 防渣含义 |
|---|---|---|---|
| 同生日（月-日） | 0.27%（1/365） | 约383万人 | 生日悖论：30人的群里两人生日相同的概率高达 70.6% |
| 同年同月同日 | 0.0037% | 约5.2万人 | 结合城市+姓名后区分度急剧放大 |
| 同身高（1cm内，男） | ≈7% | 约1亿人 | 男均169.7cm/σ5.7，女158.0cm/σ5.4——区分度最低，只能辅助 |
| 身份证尾号相同 | 9.1% | 约1.27亿人 | 单项无意义；但"区县+出生日期+尾号"拼起来≈完整身份证号（全国唯一） |
任意单项已达十万分之一到万亿分之一量级，两项即高危
| 特征 | 单项碰撞概率 | 14亿人中撞上 | 防渣含义 |
|---|---|---|---|
| 同工作单位 | ≈2×10⁻⁶ | 数千人 | 中强特征，同城内区分度大幅提升 |
| 同小区+同栋同单元 | ≈1×10⁻⁸ | 仅百人级 | 近乎锁定 |
| 照片：8项面部测量完全相同 | < 1×10⁻¹² | ≈0 | 阿德莱德大学研究（4000张面孔实测）：全球80亿人存在一对"完全同脸"的概率仅 1/135。单张照片即顶级证据 |
| 照片："看起来很像" | 主观感受，常见 | — | 大脑整体识别产生"撞脸感"≠同一人——这正是"照骗"能得逞的原因 |
巧合会随特征叠加而指数级消失——这就是三层引擎的科学依据
| 同时命中的信息 | 联合概率 | 14亿人中撞上 | 系统定级 |
|---|---|---|---|
| 姓名 + 城市 | ≈1×10⁻⁶ | ≈1,470人 | low 提醒 |
| 姓名 + 城市 + 区县 | ≈1×10⁻⁷ | ≈150人 | low 提醒 |
| 姓名 + 城市 + 区县 + 生日 | ≈3×10⁻¹⁰ | ≈0.4人 → 唯一 | medium 关注 |
| 再 + 身高 + 身份证尾号 | ≈2×10⁻¹³ | <0.001人 | medium 坚实 |
| 工作单位 + 居住小区 | ≈2×10⁻¹¹ | ≈0.03人 | high 高危 |
| 照片 + 任一基础项 | <1×10⁻¹³ | ≈0 | high 高危 |
四项关键信息都吻合？那已经不是缘分，是针对你。
概率为人口加权估算（四舍五入），用于量级判断；组合概率已按条件概率口径修正（如区县∈城市）。
| 群体人数 | 出现两人生日相同的概率 | 防渣启示 |
|---|---|---|
| 23 人 | 50.7% | 超过一半 |
| 30 人 | 70.6% | 一个相亲群/部门大概率就有"同生日" |
| 50 人 | 97.0% | 几乎必然 |
所以"同生日=缘分"在数学上不成立，系统把生日归入第二层，必须组合其他特征才有效。