随着智能移动终端的普及,基于位置的社交网络（LBSN）得到了迅速发展。轮廓查询作为LBSN研究领域中的一类重要查询,在基于位置的社交网络平台、金融数据分析、医疗数据分析中扮演着重要的角色。该类查询的作用是从数据集中找到具有代表性的对象,将其推荐给用户,方便用户进行决策。然而,此类查询存在的一个重要问题是轮廓集合规模对数据分布、维度、规模均较为敏感。另外,随着大量文本数据的生成,结合文本信息的轮廓查询,即关键词轮廓查询已经越来越重要,而在流数据环境下,针对文本数据的轮廓查询尚未被研究。针对上述问题,本文提出PAKRS（Predict-based Approximate k Representative Skyline）和 PCKSWI（Partition-based Continuous Keyword Sky-line with Index）两种算法框架。首先,本文提出ρ-近似k代表轮廓查询。该查询返回当前窗口中的近似k代表轮廓集合,并保证近似k代表轮廓集合与精确查询结果集的支配面积之比不超过近似比ρ。为支持该查询,本文提出查询处理框架PAKRS。PAKRS利用高速流的特性对当前窗口进行划分,根据划分结果构建未来预测结果集,利用构建结果预测新流入窗口中数据成为查询结果的最早时间。其次,本文针对滑动窗口模型下的连续关键词轮廓查询问题,提出了一种流数据环境下的关键词轮廓查询算法处理框架PCKSWI。不同于传统的轮廓查询,它针对与给定关键词相匹配的对象,计算轮廓集合,并将查询结果返回给用户。PCKSWI通过对当前窗口进行划分,过滤掉大部分不可能成为查询结果的对象,克服了数据间时序关系对算法性能带来的影响。本文还提出了关键词轮廓网格索引KSG（Keyword Skyline Grid）,实现了对各分片中对象的有效关键词过滤以及轮廓过滤。另外,本文通过调整分片粒度,实现了窗口的有效划分。最后,本文通过大量实验对所提算法的性能进行了评估,并实现了一个推荐系统。实验结果证明了本文所提算法的有效性和高效性。