用户画像：广告系统的“原材料”
精准投放的步是构建用户画像。Facebook通过多种信号来理解你：你主动填写的信息（年龄、地区、兴趣）、你的行为数据（点赞、评论、分享、停留时长）、你使用的设备与网络环境，以及广告主回传的转化数据（例如你是否购买了某商品）。这些数据经过脱敏和聚合后，被映射成数千个标签，例如“25-34岁”“近期关注跑步装备”“常使用iOS设备”。系统并不“知道”你是谁，但它能通过统计规律判断你属于哪一类人群。这种画像不是静态的，而是随着你的每次互动实时更新。
机器学习模型：预测“你会不会点”
有了画像，下一步是预测行为。Facebook使用梯度提升决策树（GBDT）和深度神经网络（DNN）等模型，对每一次广告展示机会进行点击率（CTR）和转化率（CVR）预估。模型输入包括用户特征、广告特征以及上下文特征（如当前时间、页面类型）。训练数据来自历史展示与点击记录，模型会不断学习哪些组合更可能产生正向反馈。例如，一个经常在晚上浏览健身视频的用户，在晚间看到运动鞋广告时，点击概率会被显著调高。这个过程是实时推理，通常在10毫秒内完成。
实时竞价：毫秒级的“拍卖会”
当预估完成后，广告系统会进入实时竞价环节。广告主在Facebook广告后台设定目标受众、预算和出价策略（如按点击付费或按千次展示付费）。每次页面加载时，系统会发起一次竞价请求，符合条件的广告主参与出价。出价并非单纯比谁钱多，而是结合预估点击率与转化价值计算“有效出价”。例如，广告主A出价1美元，预估点击率2%；广告主B出价0.8美元，预估点击率5%。系统会优先展示B，因为其预期收益更高。整个竞价、排序和渲染过程必须在100毫秒内完成，否则用户会感知到卡顿。
反馈闭环与隐私边界
广告展示后，系统会收集点击、转化等反馈，用于更新模型和用户画像，形成闭环优化。近年来，随着苹果ATT框架和欧盟《数字服务法》的实施，Facebook的精准投放能力受到一定限制，例如需要用户明确授权才能跨应用追踪。这促使平台更多依赖方数据和聚合建模技术。理解这套机制，不仅能帮助广告主优化策略，也能让普通用户更清楚自己的数据如何被使用，从而做出更明智的隐私选择。
