推荐系统通过推荐算法以个性化的方式向用户提供其可能感兴趣的内容。推荐算法有基于内容的推荐和基于用户行为的推荐两种。基于内容的推荐算法需要使用用户及物品的特征,对于不同的场景这些特征都会有很大差异,针对各种场景分别构建特征与模型会增加研发和运维成本。基于用户行为的推荐算法虽然可以复用到不同场景,但只考虑了用户和物品的交互,没有考虑用户行为的时序性。如何利用用户行为的时序性改进基于用户行为的推荐算法是本文要解决的第一个问题。此外,用户的兴趣是随着时间不断变化的,因此推荐模型还需要根据用户的行为实时地学习到用户当前的兴趣,如何针对推荐模型设计出一个高效的增量学习方法,从而使用用户的流式行为数据实时更新模型是本文要解决的第二个问题。针对上述问题,本文以实验室项目为背景,在对深度学习技术、推荐算法和流处理等相关技术深入研究的基础上,设计并实现了基于协同过滤与长短记忆网络的推荐算法（简称GRACL）,提出了一种基于mini-batch的增量学习方法用于对GRACL进行流式训练,基于GRACL设计并实现了实时推荐服务原型系统（简称RTRS）。测试情况表明,该算法及系统是可行且有效的。本文的工作要点与创新意义如下1)GRACL模型的构建。基于内容的推荐算法依赖于物品和用户特征,物品特征对于场景的依赖增加了开发和运维成本。本文提出并实现仅基于用户行为数据的推荐模型GRACL,使用自编码器实现协同过滤,并通过因子分解机方法预训练用户和物品的特征向量后作为LSTM部分的输入。通过联合训练方法将自编码器与LSTM两部分结果融合和作为最终输出。实验结果表明,在Yoochoose和Trivago数据集上,GRACL相比于因子分解机方法AUC分别提升了0.8%和1.29%,MRR@10分别提升了0.25%和1.09%。2)GRACL的增量学习方法及优化。批量训练方法无法保证模型效果的实时性。本文深入研究增量学习方法,设计并实现了一种基于mini-batch的增量学习方法。该方法可以利用用户的行为数据来并行计算梯度并进行参数更新。为了提高GRACL的泛化能力,深入研究自适应学习率优化器、Dropout和梯度裁剪等优化方法。实验结果表明,基于mini-batch的增量学习方法相比于随机梯度下降方法训练时间减少了约38%。3)基于GRACL的实时推荐服务系统RTRS原型实现。在1)和2)工作的基础上,本文设计并实现了RTRS原型系统。RTRS包括数据采集、批量与流式训练和推荐服务接口等模块。用户通过数据采集接口提供行为日志后RTRS使用GRACL模型进行模型训练,通过流处理技术实现模型的实时更新,保证了GRACL模型的实时性。