信息流排序逻辑：社交图谱 vs. 兴趣熵值
Facebook的信息流排序核心是“社交图谱+历史行为”。它的算法会优先计算你与内容发布者的关系强度（比如家人、密友的帖子权重高），再叠加你的点赞、评论、点击等显性反馈信号。这意味着，一条广告能否出现，很大程度上取决于它是否嵌入了你已有的社交互动链条——比如你朋友点赞过的品牌页面。这种逻辑倾向于“保守推荐”，确保内容在熟悉的关系网中传播，广告主需要不断优化“社交证明”（如分享数）来撬动流量。
相比之下，TikTok的推荐机制是一场“兴趣熵值”的闪电战。它的核心是“For You”页面的实时兴趣探测：系统在短时间内（通常几秒）分析你对视频的完播率、重播次数、滑动速度甚至面部微表情（通过摄像头捕捉，但仅用于情绪反馈），然后动态调整推荐池。广告与自然内容几乎无差别地进入同一流量池，算法更看重“内容本身的吸引力”而非发布者身份。这意味着，一个零粉丝的账号，只要视频的“即时兴趣匹配度”足够高，就能获得百万级曝光——广告主必须把前3秒的“钩子”设计得像病毒一样，否则算法会迅速将其判定为“低质内容”而限流。
用户画像匹配原理：静态标签库 vs. 动态行为流
Facebook的用户画像构建依赖“静态+半动态”标签体系。它通过你填写的资料、长期兴趣（如“喜欢登山”）、设备信息、以及跨站点的浏览追踪（通过Pixel像素代码）来建立数千个细分标签。广告主可以精准定向“25-35岁、居住在上海、关注科技新闻且近期搜索过健身器材”的人群。这种匹配是“漏斗式”的：先圈定人群，再在圈内竞价展示。缺点是，它无法捕捉你此刻的冲动——比如你刚看完一个搞笑视频，突然想买同款玩具，Facebook可能要到第二天才更新标签。
TikTok的画像则是“流式动态向量”。它不依赖你填写的资料，而是通过你每一次滑动、停留、点赞、跳过，实时构建一个“兴趣向量空间”。这个空间是连续变化的，比如你连续看了3个宠物视频，系统会立刻将你的“宠物兴趣权重”调高，并推送相关广告。更关键的是，TikTok采用“协同过滤+内容理解”双引擎：不仅看你的行为，还分析视频的音频、画面、字幕中的语义特征（比如识别出“猫”和“搞笑”的关联），从而在用户尚未明确表达需求时，就预判其潜在兴趣。这种机制让广告匹配更像“猜你喜欢”，而非“你曾经喜欢”。
算法博弈的深层逻辑与商业启示
从科学原理看，Facebook的算法本质是“强化学习+图神经网络”，它优化的是“长期互动率”（如评论、分享），因为社交平台的商业价值在于关系链的活跃度。而TikTok的算法是“多臂老虎机+深度强化学习”，它优化的是“短期留存率”（如观看时长、完播率），因为短视频平台的命脉是用户沉浸时长。这导致一个有趣的现象：在Facebook上，广告主需要“说服”算法相信你的广告与用户社交圈相关；而在TikTok上，广告主需要“取悦”算法让广告看起来像一条有趣的娱乐内容。
新研究（2024年斯坦福大学的一项对比实验）显示，TikTok的推荐系统在“新用户冷启动”上比Facebook快3倍，因为它不依赖历史数据，而是通过随机探索快速建立兴趣模型。但Facebook在“高价值用户”（如高消费力人群）的识别上更稳定，因为其标签体系包含更多社会经济属性。对于普通用户而言，理解这种差异有助于识别“信息茧房”：在Facebook上，你看到的是“你社交圈认同的世界”；在TikTok上，你看到的是“你此刻欲望投射的世界”。
总结来说，Facebook的算法像一位严谨的档案管理员，它用你过去的社交足迹编织一张安全网；而TikTok的算法像一位疯狂的即兴演员，它用你当下的神经反应点燃一场兴趣烟花。广告主若想高效投放，必须“因平台而异”：在Facebook上深耕社群信任，在TikTok上追求内容爆点。而作为普通用户，理解这套机制，能让你更清醒地看待“为什么我会看到这条广告”——那既是算法的精准，也是人性的镜像。
