facebook推荐好友原理（facebook相关推荐）

facebook如何精准找客户

方法如下：

1.巧用Facebook的“搜索好友”功能 Facebook会特别用心地分析我们前期添加的好友的特性。会根据好友特性、共同好友关系以及你与他人认识的可能性大小,来向你推荐你可能认识的人。 或者允许从hotmail、MSN...

2.巧用 Facebook搜索框 利用行业关键词,细分产品的关键词、联想词,或者你的用户可能在的公司类型等词,有很多潜在客户会用这些词来做姓名或者在个人资料和简介里放上这些关键词。 或者利用公司名、邮箱、电话或姓名等搜索

3.巧用Faebook的Groups (小组) 在Facebook左上方的搜索框中输入搜索词,然后点击像放大镜一样的搜索图标(不要点回车!),再选择“Groups”。选择你的目标小组(客户可能的聚集地),直接点击小组名或头...

4.利用Facebook的“线索广告”来寻找客户 投广告前,你同样需要利用五中所讲的 用Audience Insights来更细化受众群体,这里的方法只是投Facebook广告的其中一类,

用过Facebook的朋友请进，关于好友请求

“确认”那个好像是对方请求加你为好友。

“加为好友”那些可能是推荐给你的好友。

具体情况，没有截图之类的也说不太清楚。

Facebook同为好友,我在别的账号下评论为什么会推送给我的好友？

因为你的好友对你的关注比较多，所以你在别的帐号下评论就会有。

猜你喜欢是如何猜的——常见推荐算法介绍

自从头条系的产品今日头条和抖音火了之后，个性化推荐就进入了大众的视野，如果我们说搜索时人找信息的话，那么推荐就是信息找人。搜索是通过用户主动输入索引信息告诉机器自己想要的东西，那么推荐的这个索引是什么才能让信息找到人呢？

第一类索引是“你的历史”，即基于你以前在平台上对某物品产生的行为(点赞，转发，评论或者收藏），寻找与你产生过相似行为的用户所喜欢的其他物品或者与你喜欢的物品相似的其他物品来为你推荐。这一基于用户行为相似的算法有：协同过滤算法、基于内容的推荐算法和基于标签的推荐算法。

基于用户的协同过滤算法是寻找与A用户有相似行为的所有B用户所喜欢的而A用户还不知道的物品推荐给A用户 。该算法包括两个步骤：

-根据用户所喜欢的物品计算用户间相似度，找到与目标用户相似的用户集合；

-找到该用户集合所喜欢的而目标用户所不知道的物品。

那么，找出一批物品以后哪个先推荐哪个后推荐？用户间相似程度大的先推荐，用户对物品的感兴趣程度大要先推荐。即假设A用户与B用户的相似程度为0.9，与C用户的相似程度为0.7，用户B喜欢物品a和物品b的程度分别为1和2，用户C喜欢物品a和物品b的程度分别为0.1和0.5，那么先推荐物品b。多个用户多个物品，只要拟定了用户间的相似度和用户对物品的感兴趣程度，即可对物品进行打分并且进行综合排序。

基于物品的协同过滤算法是根据用户行为而不是物品本身的相似度来判断物品的相似度 ，即如果物品A和物品B被很多的用户同时喜欢，那么我们就认为物品A和物品B是相似的。该算法也是包括两个步骤：

-根据用户行为计算物品间的相似度；

-根据物品的相似度和用户的历史行为给用户生成推荐列表。

与UserCF相似的是，同样会遇到推荐的先后顺序问题，那么ItemCF所遵循的原则是：物品间相似程度大的先推荐，用户对物品的感兴趣程度大要先推荐。假设用户对物品a和物品b感兴趣的程度分别为1和0.5，物品a与物品c和物品d的相似度分别为0.5和0.1，物品b与物品c和物品d的相似度分别为0.3和0.4，那么先推荐物品d。用户喜欢多个物品，并且多个物品与其他物品都有相似的情况下，只要拟定了用物品间的相似度和用户对物品的感兴趣程度，即可对物品进行打分并且进行综合排序。

协同过滤算法的核心都是通过用户行为来计算相似度，User-CF是通过用户行为来计算用户间的相似度，Item-CF是通过用户行为来计算物品间的相似度。

推荐算法很重要的一个原理是为用户推荐与用户喜欢的物品相似的用户又不知道的物品。物品的协同过滤算法是通过用户行为来衡量物品间的相似（喜欢物品A的用户中，同时喜欢物品B的用户比例越高，物品A与物品B的相似程度越高），而基于内容的推荐算法衡量则是通过物品本身的内容相似度来衡量物品间的相似。

假如，你看了东野圭吾的《解忧杂货店》，那么下次系统会给你推荐东野圭吾的《白夜行》。假设你看了小李子的《泰坦尼克号》，系统再给你推荐小李子的《荒野猎人》。

该算法与前两种不同的是，将用户和物品之间使用“标签”进行联系，让用户对喜欢的物品做记号（标签），将同样具有这些记号（标签）的其他物品认为很大程度是相似的并推荐给用户。其基本步骤如下：

统计用户最常用的标签

对于每个标签，统计最常被打过这个标签次数最多的物品

将具有这些标签最热门的物品推荐给该用户

目前，国内APP中，豆瓣就是使用基于标签的推荐算法做个性化的推荐。

第二类索引是“你的朋友”，基于你的社交好友来进行推荐，即基于社交网络的推荐。例如，微信看一看中的功能“朋友在看”就是最简单的基于社交网络的推荐，只要用户点击公众号文章的“在看”，就会出现在其好友的“朋友在看”的列表中。

复杂一点的算法会考虑用户之间的熟悉程度和兴趣的相似度来进行推荐。目前，在信息流推荐领域，基于社交网络进行推荐的最流行的算法是Facebook的EdgeRank算法,即为用户推荐其好友最近产生过重要行为（评论点赞转发收藏）的信息。

第三类索引是“你所处的环境”，基于你所处的时间、地点等上下文信息进行推荐。例如，我们看到很APP中的“最近最热门”，就是基于时间上下文的非个性化推荐；以及，美团和饿了么这些基于位置提供服务的APP中，“附近商家”这一功能就是基于用户位置进行推荐。高德地图在为用户推荐驾驶路线时，会考虑不同路线的拥堵程度、红绿灯数量等计算路线用和路程距离再进行综合排序推荐。

很多时候，基于时间上下文的推荐会协同过滤这类个性化推荐算法结合使用。例如，在使用协同过滤推荐策略的时候，会将时间作为其中一个因素考虑进入推荐策略中，最近的信息先推荐。

以上就是常见的推荐算法。作为产品人，我们不需要知道如何实现，但是我们必须知道这些推荐算法的原理，知道在什么场景下如何去做推荐才能提升推荐的效率，这才是产品经理的价值所在。

参考资料：《推荐算法实战》项亮

微信开启了facebook功能会怎么样

1.Facebook是任何人都可以看到你的“微信好友”、“微信朋友圈”的“美国式微信”，且这种“美国微信”的任何用户都可以和你的“个人通信录”里的“微信好友”进行免费聊天，无需事先加“你微信通信录”里的人为好友。

2.与微信不同，你在Facebook上发“朋友圈”是开放给全平台的，任何人都可以翻阅，这点像微博，即便不是你的“好友”也可以评论和点赞。同时，如果你有一个好友在你的朋友圈进行了评论，不但Facebook平台上任何人都能看到他和他的评论，任何人还可以进一步看他的好友通信录，并与你、他的通信录里的人，像你一样用Facebook进行免费聊天。

3.Facebook是一个能把你的个人“微信”，肆意在Facebook上传播的平台，而且这种传播还不受你的控制。与中国微信比，这种传播几乎可以用“疯狂”两个字来形容。Facebook会不断给你推荐好友，除了直接推荐好友，还会通过告诉你B某某是你A好友的好友，然后给你推荐B某某。

4.Facebook的“加好友”功能没有太多实际意义，只起到双方的一个标记作用。

小结一下，Facebook可以假借“推荐好友的名义”，像微博传播“个人公共信息”一样广泛传播你的真实社交关系。微博与Facebook的不同在于，微博社交关系仅是关注，被关注，博主和粉丝关系。

试想如果微信像Facebook这样做，你会接受吗？如果微博让你上传强社交关系，你会上传吗？这是一个值得思考的问题。

中国人骨子里有种中国封建社会文化的传承，大部分人把真实社交关系视为自己的资源，就好像你虽然想要见到封闭在皇宫和高高围墙里的王公贵族，但这绝非易事。

微信很好的体现了这一文化传承，微信加好友的先决条件，实际在每个人的社交关系里建立了一个中国人都十分喜爱的“围墙”。然后再在围墙里面“盖房子”，出路和大门都开在围墙上。现实的围墙也一样到处可见。图片可以看出美国主流的开放式建筑风格和中国隐私化的封闭建筑风格的对比。在美国，从美国总统官邸，特朗普棕榈滩海湖庄园，再到平常百姓的住宅几乎都是紧邻公路、开放、没有围墙的。Facebook的社交开放性就产生在这种环境中。多年前和上海很多广告公司打交道时，就发现和中国人不同，老外在各种各样的party和私人聚会中，都特别乐于主动介绍自己的各种朋友给大家相互认识，