这是一个我们在产品形式上比较熟悉的推荐系统，它的核心是一套大规模矩阵分解算法，利用已有的协同矩阵为你推荐可能想建立联系的新Item，包括用户、App、公共主页等。
Facebook的广告形态非常多样，包括：
- Suggested Page（你可能喜欢的公众页）
- Page Post（公众号帖子推广）
- Suggested App（你可能喜欢的应用）
- Video Ads（视频广告）
所有的数据都显示，重排序后的NewsFeed可以让用户阅读积极性提高很多。因此，虽然外界一直有质疑和争吵，但是NewsFeed重排序并没有停止过。显然“大家一起穷，各自拼人品”的时间线不符合商业社会的基本哲学，提高效率的兴趣Feed才是一种必然。
并不复杂的兴趣Feed实现
兴趣Feed如何实现？这里先介绍创意内容收集工具Pinterest的Smart Feed，然后总结一些通用技术点。
Smart Feed技术实现
整个Smart Feed后端主要模块逻辑如图2，由三个部分构成：
- 后台任务（Worker）
- 内容生成器（Content Generator）
- 前端服务（Service）
图2 Smart Feed后端架构后台任务（worker）
后台任务（worker）
Worker的职责有两个：
- 接收数据源产生的新Pin，决定这个Pin该推送给哪些用户，并针对每一个它该推送的用户，给出这个Pin对这个用户的吸引程度，俗称“打分”。
- 存储这些经过打分的Pin，备用。
图3 Smart Feed后台任务模块
打了分的Pin就会根据其不同来源分开存储（Pool）。存储结构是一个优先队列，按照打分排序，新的Pin进来和原来（但用户还未看）的Pin一起排序。
这个存储的Pool可以直接用KV数据库顶上，HBase、Redis都可以，每次送入数据库的数据是一个三元组：(user, pin, score)。Pinterest选用的是HBase。一共有两个HBase集群，一个存还没看过的Pin，一个存已经看过的Pin。
当数据源产生了新的Pin之后，需要由一个叫PinLater的模块经过Zen（封装了HBase基本操作的图数据存储模块）推送给粉丝。这里推送是异步的，有几秒到几分钟的延迟。
内容生成器（Content Generator）
如图4，内容生成器要做的是：
- 决定返回多少个Pin，数量不是固定的，会根据用户访问频繁程度以及上次看到的新内容多少来决定。
- 分配来源的比例构成，这块Pinterest没有透露分配比例，我们可以猜一下，也许是固定比例，也许是有一些启发式算法。
- 将Pin排成一定的顺序，按照分数排序就好了。
- 待推送内容要从Pool中删除，以保证每次请求的都是没看过的。
图4 Smart Feed内容生成器模块
每一次产生的待推送内容合在一起叫做一个“块”（chunk）。
前端服务（Feed service）
如图5，Feed service提供前端的服务。为了提供高可用服务，Feed service的任务有二个：
- 接收从内容生成器返回的“新”内容。
- 新内容合并上一次的“旧”内容。
图5 Smart Feed前端服务模块
Pinterest排序算法
排序算法名字叫做Pinnability。我们可以将其翻译成“可Pin度”，可Pin度是一组机器学习模型，用于衡量一个用户对一条Pin产生互动的可能性。
图6 Pinnability排序算法的任务
Pinnability模型用到的机器学习算法都是比较常用的模型，包括逻辑回归（LR）、支持向量机（SVM）、GBDT和卷积神经网络（CNN）。整个Pinnability的模型流程如图7所示。模型产生的流程分为三个阶段：准备训练数据、训练模型、上线使用。
