Facebook：兴趣标签与人口统计的精密拼图
Facebook的广告定向建立在“显性信号”之上。平台通过用户主动填写的个人资料（年龄、性别、居住地、职业）、点赞过的页面、加入的小组以及站外浏览行为，构建出一套庞大的兴趣标签体系。例如，一个用户关注了“越野跑”和“国家公园”主页，系统就会将其归入“户外运动爱好者”标签池。广告主可以像搭积木一样组合这些标签，精准锁定目标人群。这种模式依赖的是用户“过去表达过的偏好”，本质上是一种基于规则和分类的匹配逻辑。
TikTok：行为预测模型驱动的兴趣发现
TikTok的定向逻辑截然不同。它不依赖用户主动声明兴趣，而是通过短视频的完播率、重播次数、点赞、评论、分享以及观看时的停留时长等“隐性行为信号”，实时推断用户的潜在兴趣。其核心是一套深度学习推荐模型，能够捕捉微妙的注意力模式——比如你反复观看某个钓鱼视频的前3秒，系统就会预测你对“户外垂钓”有潜在兴趣，即使你从未搜索过相关关键词。这种模型不要求用户“告诉”平台自己喜欢什么，而是通过行为序列预测“你可能接下来会喜欢什么”。
从匹配到预测：工程逻辑的本质区别
Facebook的定向更像“查字典”：广告主指定关键词，平台找到对应人群。TikTok则像“猜心思”：平台根据行为流动态生成兴趣向量，广告主只能设定大致方向（如“户外”“美食”），具体投放由模型实时优化。前者适合明确知道目标客户特征的品牌，后者更适合需要激发潜在需求的品类。值得注意的是，TikTok的预测模型对冷启动用户也能快速学习，而Facebook在缺乏显性标签时定向精度会明显下降。
总结：没有优劣，只有适配
Facebook的标签匹配擅长“找到已知的人”，TikTok的行为预测擅长“发现未知的欲”。理解这一差异，有助于广告主根据产品阶段和用户认知程度选择平台：当你要精准触达已有明确兴趣的人群时，Facebook的标签体系更高效；当你要挖掘用户尚未意识到的需求时，TikTok的预测模型更具优势。两者共同揭示了数字广告的核心趋势——从“用户告诉我我是谁”走向“行为告诉我我可能成为谁”。
