用户画像：长期标签 vs 实时行为
Facebook的广告推荐算法建立在庞大的社交图谱之上。它通过用户的年龄、地理位置、好友关系、点赞主页、点击历史等维度，构建一个相对稳定的"长期兴趣画像"。这套系统依赖协同过滤和逻辑回归等传统机器学习模型，擅长回答"这个用户长期属于哪类人群"。例如，一位经常浏览育儿主页、加入亲子群组的用户，会被打上"新手父母"标签，母婴广告便会持续投放。
TikTok则采用"实时行为画像"策略。其核心是字节跳动研发的深度学习模型，通过每次滑动、停留时长、完播率、重复观看等微行为，在短时间内动态更新用户兴趣向量。即使你从未搜索过露营装备，只要连续看完三个露营视频，算法就会迅速将你归入"户外兴趣簇"。这种画像更短效、更细粒度，也更依赖内容本身的特征提取。
内容分发：社交关系链 vs 兴趣预测引擎
Facebook广告分发遵循"社交关系+兴趣匹配"的双重逻辑。广告主可定向投放给好友相似人群（Lookalike Audience），系统会优先考虑社交关联度——你朋友互动过的广告，更可能出现在你的信息流中。这本质上是将社交信任作为分发权重，属于"关系驱动"模式。
TikTok的广告分发则几乎完全由兴趣预测引擎主导。其推荐系统通过多任务学习模型，同时预测用户对广告的点击率、转化率和互动概率，并将广告内容与自然内容放入同一候选池竞争曝光。算法不关心你关注了谁，只关心"这条广告的内容特征与你的实时兴趣向量有多匹配"。这种"内容驱动"模式让中小广告主也能凭创意质量获得曝光，而非依赖社交积累。
技术机制背后的哲学差异
简而言之，Facebook广告算法像一位"了解你社交圈的老朋友"，基于长期标签和关系网络做推荐；TikTok广告算法则像一位"观察你每个微表情的读心者"，依靠实时行为和内容特征做预测。前者强调稳定性和社交信任，后者强调敏捷性和兴趣探索。理解这一差异，有助于广告主在不同平台制定更精准的投放策略，也能帮助普通用户更清醒地认识自己是如何被"看见"的。
