近年来,随着移动设备和互联网业务的快速发展,推荐系统在解决信息超载问题、满足用户多样化需求方面发挥着越来越重要的作用。同时,一些大型电子商务平台以极高的速度产生大量的交互数据。一方面,这类交互数据很好地反映了用户的偏好和行为模式,对于提升用户体验和提高企业利润具有积极地作用;另一方面,这类数据具有连续、高速、随时间变化的特点,并且以数据流的形式呈现,和传统离线环境下的静态数据有很大的不同,这为流环境下的推荐系统提供了前所未有的机遇。基于以上情况,本文研究了流环境下的序列推荐技术,希望能借助实时数据,对用户偏好做出精准预测。尽管许多方法在推荐系统上已经取得了很好的效果,但目前的工作大多是基于离线环境的,无法及时捕捉信息的变化情况。一些近期研究工作尝试使用在线策略来对推荐系统进行改进,但这些模型通常采用最新数据来更新模型,这在一定程度上会造成用户长期偏好的缺失,影响推荐效果。此外,现有的流环境下推荐方法主要针对通用推荐,缺少对序列推荐等场景特点的考虑,影响推荐精度,难以满足多样场景中的推荐需求。对此,本文研究了流环境下的序列推荐问题,并重点从数据采样和模型更新两个角度来对其进行优化。具体来说,本文首先提出了基于蓄水池的主动采样策略来解决流环境下数据量过大的问题,主动选择历史数据中最有信息量的序列信息;然后,针对模型优化过程中负样本信息量不足导致模型收敛较慢的问题,提出了基于对抗生成网络的负采样策略,并利用Gumble-Sotfmax算法解决离散数据下存在的梯度阻塞问题,有效提高了模型优化速度;此外,针对现实生活中面临的POI序列推荐问题,利用元学习策略来保持用户的历史偏好,并且设计了一个转移网络对参数进行动态更新,实现从模型角度对用户偏好和兴趣漂移的捕捉。针对通用流环境下的序列推荐,本文在MovieLens和Amazon-CDs数据集上验证了基于蓄水池主动采样和基于对抗生成网络的负采样策略的有效性;针对POI序列推荐,本文在常用的Foursquare和Yelp数据集上进行了验证。相关实验都和目前最先进的推荐模型进行了比较,结果表明,本文提出的流环境下的序列推荐模型在各方面均优于之前的推荐模型,对现实场景的应用具有一定的参考价值。