早期的Feed流主要是把用户关注的内容以Timeline的形式展开。但是随着用户场景的丰富，Feed流也有了更多的变种。本篇文章主要讨论如何设计一个Feed流，以及Feed流背后的设计逻辑。
一个Feed流永远是在解决两个核心问题：

应该展示给用户什么内容
这些内容该怎么排序

排序

Timeline

Timeline，一般而言，不对用户主动要求获取的内容进行筛选，同时所有的内容按照时间排序。最经典的案例就是朋友圈。关于Feed流设计的两个核心问题，微信朋友圈的回答是这样的：

应该展示给用户什么内容：用户好友发的内容
这些内容该怎么排序：按照时间先后顺序
Timeline简单的内容选取和排序非常易于用户理解，充满了极简主义的哲学：随时更新，吸引用户随时打开使用，而每次更新的部分都有限也保证了大部分用户不会错过任何消息。微信也用这个设计，获取了用户大量的时间。

既然Timeline有这么多优点，那么Feed流为什么还会迭代衍生出来其他的设计？

其实这里也牵扯到一个问题，Timeline有一个致命的缺点——内容呈现效率最为低下。需要内容提供方非常克制，同时也需要用户对这些内容足够关注。

微信朋友圈的内容是用户自己的个人展示，注定不会大量更新；同时选择都是基于熟人关系，能引起用户足够的关注。正是这两个原因，保证了朋友圈内容虽然效率低下，但是还是极具吸引力。如果动辄每天上千条陌生人更新的内容，使用Timeline的形式呈现出来，想见一下，这是一个多么缺乏思考的设计。

重力排序算法——兼顾热度和更新时间

如果每天有更新量很大的Feed流，同时大部分内容没有太大用户价值，这种情况下我们该怎么排序？这个场景其实也很常见，也是一些PM在实际工作中遇到的棘手问题。答案就是重力排序算法。

重力排序算法中，对于一个在Feed流中的内容而言，有两种力量：重力和拉力。重力是持续让内容往下掉的力，这个重力就是时间，因为新的内容会把老的内容刷下去；同时拉力则是让内容排序往前的力，比如知乎的赞，贴吧的回复。

这样的排序算法实现方式有很多，这里可以简单介绍一种，也是来自Reddit的核心排序算法：

score\left( H,T \right) =logH+ \frac{T-T_{0} }{A}

其中：
H表示能代表内容热度的值：比如说收到的赞，比如说浏览量，也可以是综合类似的指标，加权求和得到的值。

T代表内容发布的时间，T{0} 代表一个时间的起始值，只要比最早发布的内容早就行了（比如用公司创立时间）。T-T{0} 用来衡量一个内容的新旧程度，单位为秒，T-T_{0} 越大，则代表内容越新。

A也是设立的参数，A越大，T-T_{0} 的影响力越小，则内容更新的越慢。一般而言初始值可以用36000，10个小时的秒数，后续不断迭代。

关于Feed流设计的两个核心问题，重力排序算法的回答是这样的：

应该展示给用户什么内容：用户表现出喜好的内容都推给用户，虽然用户不一定看得见后面的。

这些内容该怎么排序：按照时间衰减因素和内容受欢迎程度综合排序。

智能排序——双刃剑

Facebook使用智能排序之后据称效果拔群，于是我们看到越来越多的社交网络放弃使用Timeline排序，转入智能排序的阵营，国外的Twitter，国内的微博和知乎。

智能排序牵扯到复杂的模型构建和机器学习，这里只阐述下简单的原理。

首先，系统需要知道什么是一个内容被展示的目标值。比如微博，一个内容被展示的目标值是转发，评论，点赞的次数。那么通过大量的样本的机器学习，系统对于什么是好的内容会有一个预测。这个对于一个内容的预测，则是的智能排序的基础。
接下来，系统会屏蔽掉一些违规的内容，比如Facebook处罚标题党，知乎处罚抱团点赞。
其次，为了用户内容的质量，系统会在用户的Feed中增加一些热门的内容。
最后，考虑内容和用户的亲密度、系统认为内容受欢迎的程度、内容时间衰减性等因素后，系统进行综合排序。
听起来智能排序是一个很好的主意。但是，智能排序也是一把双刃剑。

算法质量的高要求，导致一些技术比较差的公司，使用智能排序效果不佳。另一方面，因为智能排序的不透明性和扩展性，过度的商业化更是成为了用户体验的头号凶手。

有的内容因为用户买了粉丝头条而可以排在Feed流前面，有的内容只要有足够的推广费，可以绕过关注关系，呈现在用户面前。智能排序如果被过度商业化，那么Feed流的用户体验也会越来越差。