Feed流

 

 

什么是Feed流？

Feed是将用户主动订阅的若干消息源组合在一起形成内容聚合器，帮助用户持续地获取最新的订阅源内容。

严格按照上述定义来说，我们通常说的搜索结果、排序列表都不能算作feed流。

从定义来看，

• feed是一种给用户持续提供内容的数据形式
• 是由多个内容提供源组成的资源聚合器，由用户主动订阅消息源并且向用户提供内容

 

Feed流的展现形式有很多种，主要的有timeline以及rank。

• timeline：是最典型的feed流展示方式，按照feed流内容更新的时间先后顺序，将内容展示给用户，早期的微博、朋友圈都是典型的timeline。
• rank：即按照某些因素计算内容的权重，从而决定内容展示的先后顺序。例如当前的微博主页信息流算法即抛弃了原始的timeline，而采用最新的智能排序。

Feed系统架构

Feed系统: Push/PuLL

对于中小型的Feed系统，feed数据可以通过同步push模式进行分发。如图12-1，用户每发表一条feed，后端系统根据用户的粉丝列表进行全量推送，粉丝用户通过自己的inbox来查看所有最新的feed。新浪微博发展初期也是采用类似方案，通过LAMP架构进行feed push分发，从而实现快速开发及上线。

 

不同模式的适用场景：

拉模式：许多feed流系统初版会基于拉模式，因为用户数较少且日活低，拉取成本较低

推模式：

1. 用户关系数比较均匀，且有上限，如朋友圈

2. 偏向推荐类feed，同一个feed对不同用户价值不同，计算feed和用户间的分数，只推荐给分数较高的用户

推拉结合模式：大部分用户关系数比较均匀，少数用户千万级别，无上限。例如微博。能够解决单纯采用推模式时大V用户高并发写问题。

以微博为例，使用两种推拉模式：

① 在线推，离线拉：大V发布动态后，有限推送给同时在线的粉丝，离线粉丝上线后再拉取该动态。

 

② 定时推，离线拉：大V发布动态后，以常驻进程的形式推送到粉丝关注✌️。

 

feed流智能排序（Ranking）:

智能排序基于趋势trending、热门hot、用户生产UGC 、编辑推荐PGC、相似Similarity等等因素综合考虑，随着技术的进步智能算法将会更加懂得用户的喜好。

 

 

参考:

Feed系统架构与Feed缓存模型 

推荐feed