推荐系统已经广泛地融入到了人们的日常生活,并在改善用户体验、提高企业效益方面发挥着重要的作用。但是,推荐系统普遍采用离线推荐方法,周期性地利用大量用户与物品的历史交互数据训练推荐模型,不能及时地捕获隐含在近期交互数据中的用户最新偏好,难以在流式场景中为用户精确地推荐物品。针对这一问题,研究者们提出了流式推荐方法,利用新接收到的交互数据即时地训练推荐模型,有效地捕获用户的最新偏好,从而在流式场景中提高推荐的精确度。然而,流式推荐面临着诸多挑战,包括如何同时捕获用户的近期偏好和长期偏好,如何应对欠载场景和过载场景,如何解决用户偏好和物品特征的异质性问题以及如何利用如购买、加购物车和浏览等多种行为类型的交互数据提高推荐精确度等。另外,流式场景中负载强度容易发生波动,流式推荐方法所需计算资源不断变化,需要具有较短响应时间的资源调度方法快速地调度计算资源。出于可扩展性的考虑,推荐系统通常部署在云环境中。然而,研究者们对云环境下面向响应时间优化的资源调度方法研究较少。为了应对以上挑战,本文从数据采样、推荐模型创新和资源调度等多方面开展了研究。主要包含以下四个方面:（1）基于时间分层采样的自适应集成学习方法。为同时捕获用户近期偏好和长期偏好,研究时间分层采样方法。该方法从新接收到的数据和历史数据中分别采样得到训练数据,以便从新数据中捕获用户的近期偏好、从历史数据中捕获用户的长期偏好。针对过载问题,研究自适应集成学习方法。该方法首先利用训练数据并行地训练多个独立的子推荐模型,以便高效地处理过量的数据,然后通过序列自适应融合方法融合这些子模型的结果,从而实现精确的流式推荐。利用真实世界中用户与物品的交互数据模拟数据流,对提出的推荐方法进行实验验证与结果分析,通过比较推荐精确度,验证了提出的方法在过载场景中的有效性。（2）基于历史数据增强采样的双翼混合专家推荐方法。针对欠载场景中新数据不足的问题,研究历史数据增强采样方法。该方法通过采样得到的历史数据对新数据进行补充,有助于充分利用欠载场景中空闲的计算资源有效地训练推荐模型。针对用户偏好和物品特征的异质性问题,研究双翼混合专家推荐方法。该方法采用两个混合专家模型分别学习用户的偏好和物品的特征。同时,这两个混合专家模型中每个独立的专家模型,专注于学习一类用户偏好或物品特征,从而有效地学习异质的用户偏好和异质的物品特征。利用真实世界中用户与物品的交互数据进行实验验证与结果分析,通过比较推荐精确度,验证了提出的方法在欠载场景中的有效性。（3）记忆网络增强的多行为流式推荐方法。针对流式推荐场景中单一类型交互行为数据的稀疏性问题,研究多行为流式推荐方法。首先研究多行为学习方法,从多种类型交互行为数据中学习用户的近期偏好和物品的稳定特征。然后,研究基于注意力机制的记忆网络,有效地利用属于多种行为类型的交互数据维护用户的长期偏好。在此之后,研究用户偏好合并方法,融合用户的近期偏好和长期偏好。此外,研究流式场景下的多行为训练方法,捕获多种行为类型之间的相互影响,从而进一步提高流式推荐的精确度。利用真实世界购物平台中多种行为类型的交互数据进行实验验证与结果分析,通过比较推荐精确度,验证了提出的方法在具有多种行为类型的场景中的有效性。（4）面向流式推荐的响应时间优化的资源调度方法。针对流式推荐场景中负载强度容易发生波动、推荐方法需要的计算资源量不断变化的问题,面向云环境下计算量有限和计算量较为充足的两种场景,分别提出响应时间优化的资源调度方法,快速地满足流式推荐方法对计算资源的需求。具体地,在虚拟机放置过程中,面向计算资源较为有限的场景,研究基于时间感知分治策略的分支界限法,在节省计算资源的前提下对资源调度的响应时间进行优化;面向计算资源较为充足的场景,研究基于混洗的多维首次适应方法,实时地为流式推荐方法提供计算资源。利用真实世界的负载数据和仿真的负载数据进行实验验证与结果分析,通过比较响应时间和所需的资源量,验证了提出的方法快速调度计算资源方面的有效性。