随着当今世界的互联网的迅速普及以及数据量的急剧增加,用户越来越难从海量数据中寻找到对自己有用的信息。为了帮助用户快速寻找到有用的信息,个性化推荐系统得到了越来越多的研究。协同过滤(Collaborative Filtering,CF)是构建推荐系统最著名的方法之一,而矩阵分解(Matrix Factorization,MF)模型是一种被广泛使用的协同过滤算法模型。基于矩阵分解的推荐算法在推荐系统领域能够取得不错的效果,然而,它比较难适应快速变化的现实世界数据。现实世界中,用户行为变化快速,当这些增量数据出现时,静态的推荐模型不能很好地适应。针对以上问题,本文主要的研究工作如下:针对增量协同过滤方法在流环境下的应用问题,本文基于Apache Flink提出了一个实时增量推荐框架:Realtime Incremental Recommendation Framework(RI RF)。该框架可以让本文提出的增量协同过滤算法能够处理流数据环境下的增量推荐问题。针对增量更新推荐模型问题,本文提出了一种将在线学习和离线训练结合的增量协同过滤的推荐方法,称为具有离线知识的随机梯度下降(Stochastic Gradient Descent,SGD)算法的在线版本:Online SGD with Offline Knowledge(OSGDO)。它能够在处理增量数据的同时,快速的更新推荐模型,从而更好的做出推荐。针对流处理环境下的集成学习问题,本文在增量Funk SVD(Singular Value Decomposition)以及增量Bias SVD算法基础上,结合了通用的Online Bagging机制提出了两种新颖的在线装袋增量推荐算法:Online Bagging Funk SVD(OBFSVD)和Online Bagging Bias SVD(OBBSVD)。在一定程度上,它们可以减少推荐模型预测的推荐结果的方差。本文在提出的RIRF框架上实现了提出的三种方法:OSGDO,OBBSVD以及OBFSVD。当增量数据到来时,本文提出的方法能够较好的增量学习新的数据并且同步更新推荐模型。实验结果表明,本文提出的动态、增量的训练方法比在所有数据上重新构建推荐模型更有效。同时,本文提出的算法在实践中表现良好,在使用著名的MovieLens以及Netflix数据集进行验证时可以达到较好的准确率。