本文介绍Feed流系统的两种扩展模型：推拉结合方案和加入排序后的Rank流方案。
推拉结合方案
虽然使用推模式可以满足Feed流系统需求，但随着用户数量增长，数据量也急剧增长。在推模式的工作下，数据量会膨胀得更多。针对这个缺点，可以考虑采用推拉结合的推动方案。
推拉结合是指对大V采用拉模式，而普通用户使用推模式。此时发布Feed和获取Feed流的过程如下：
发布Feed
Feed消息先进入一个队列服务。
先从关注列表中读取到自己的粉丝列表，以及判断自己是否是大V。
将自己的Feed消息写入个人页Timeline（发件箱）。如果是大V，写入流程到此结束。
如果是普通用户，还需要将自己的Feed消息写给自己的粉丝，如果有100个粉丝，那么就要写给100个用户，包括Feed内容和Feed ID。
第三步和第四步可以合并在一起，使用BatchWriteRow接口一次性将多行数据写入表格存储。
发布Feed的流程结束。
读取Feed流
先读取自己关注的大V列表。
通过GetRange读取自己的收件箱。范围起始位置是上次读取到的最新Feed的ID；结束位置可以是当前时间，也可以是MAX，建议是MAX值。
如果有关注的大V，则再次并发读取每一个大V的发件箱。如果关注了10个大V，那么则需要10次访问。
合并2和3步的结果，然后按时间排序，返回给用户。
如果使用大V/普通用户的切分，架构存在一定风险。例如某个大V突然发了一个很有话题性的Feed，那么就有可能导致整个Feed产品中的所有用户都没法读取新内容。以粉丝读取流程为例：
大V发送Feed消息。
大V使用拉模式。
大V的活跃粉丝（用户群A）开始通过拉模式读取大V的新Feed。
Feed内容太有话题性，快速传播。
未登录的大V粉丝（用户群B）开始登录产品，登录进去后自动刷新，再次通过读3步骤读取大V的Feed内容。
非粉丝（用户群C）去大V的个人页Timeline里面去围观，再次需要读取大V个人的Timeline，同读3。
结果就是，平时正常流量只有用户群A，结果现在却是用户群A + 用户群B + 用户群C，流量增加了好几倍，甚至几十倍，导致读3路径的服务模块被打到server busy或者机器资源被打满，导致读取大V的读3路径无法返回请求。如果Feed产品中的用户都有关注大V，那么基本上所有用户都会卡死在读取大V的读3路径上，然后就没法刷新了。
所以设计时需重点关心下面两点：
单个模块的不可用，不应该阻止整个关键的读Feed流路径。如果大V的无法读取，但是普通用户的要能返回，等服务恢复后，再补齐大V的内容即可。
当模块无法承受这么大流量的时候，模块不应该完全不可服务，而应该能继续提供最大的服务能力，超过的拒绝掉。
优化方法
方法一：不使用大V/普通用户的优化方式，而使用活跃用户/非活跃用户的优化方式，这种优化方式能把用户群A和部分用户群B分流到其他更分散的多个路径上去。而且即使读3路径不可用，仍然对活跃用户无任何影响。
方法二：完全使用推模式可以彻底解决这个问题，但会增大存储量，并增长大V微博发送总时间，从发给第一个粉丝到发给最后一个粉丝可能要几分钟时间（一亿粉丝，100万行每秒，需要100秒），还需要为最大并发预留好资源（如果使用阿里云表格存储，则不需要考虑预留最大额度资源的问题）。
个性化和定向广告
个性化和定向广告是需求度很高的两个功能。个性化可以服务好用户，增大产品竞争力和用户粘性。定向广告可以为产品增加盈利渠道，而且不引起用户反感。在Feed流里这两种功能的实现方式类似，我们以实现定向广告的流程为例来说明。
通过用户特征分析对用户分类，例如今年刚上大学的新生（新生类）。具体的用户特征分析可以依靠表格存储 + MaxCompute。
创建一个广告账号：新生广告。
让这些具有新生特征的用户虚拟关注新生广告账号。用户侧看不到这一层关注关系。
从七月份开始就通过新生广告账号发送广告。
每个用户可能会有多个特征，那么就可能虚拟关注多个广告账号。
基于推荐的Rank流
除了Timeline类型的Feed流类型，Rank类型的Feed流也比较常见。Rank类型的潜在Feed内容非常多，用户无法全部看完，也不需要全部看完，则需要为用户选出最想看的内容。Rank类型典型的应用包括图片分享网站、新闻推荐网站等。
方式一（轻量级）
上面架构图展示的Rank方式比较轻量级，适用于推拉结合的场景。
写流程和Timeline基本一样。
读流程里面会先读取所有的Feed内容，这个和Timeline一样。Timeline中这部分会直接返回给用户，但是Rank类型需要在一个排序模块里面，按照某个属性值排序，然后将所有结果存入一个timeline cache中，并返回分数最高的N个结果，下次读取的时候再返回[N+1, 2N]的结果。
方式二（重量级）
上面架构图展示的Rank方式比较重量级，适用于纯推模式。
写流程和Timeline一样。
每个用户有两个收件箱。
一个是关注页Timeline，保存原始的Feed内容，用户无法直接查看这个收件箱。
一个是rank timeline，保存为用户精选的Feed内容，用户直接查看这个收件箱。
写流程结束后还有一个数据处理的流程。个性化排序系统从原始Feed收件箱中获取到新的Feed内容，按照用户的特征、Feed的特征计算出一个分数。每个Feed在不同用户的Timeline中可能分数不一样的，计算完成后再排序然后写入最终的rank timeline。