feed流是推荐系统的一种常见形式，突出的产品有微博、抖音、朋友圈等
feed：每一个状态和消息，通常由用户更新
流：特点是持续更新
feed流中最广泛的形式是Timeline流，分为个人页Timeline和关注页Timeline。还可以以用户喜好程度排序，选出用户最想看的topN，适用于新闻、商品推荐等场景。
feed流的特点：
1. 多账号内容流：系统中有一定量的账号，账号之间存在关注、取关、拉黑等关系
2. 非稳定账号关系：用户间的关系会随时发生变化
3. 读写不平衡：读多写少
4. 消息必达性：必须保证相关用户能看到消息
feed流系统设计：
两个侧重点：存储、推送
存储对于用户量级比较大的系统来说是难点。
而推送方案里主要有两种方案，推模式（写扩散）和拉模式（读扩散）
两种模式的对比：
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。
