1. 一種基于Spark的實時推薦系統(tǒng)，其特征在于，通過Spark軟件分析棧構(gòu)建基于Spark的一棧式推薦系統(tǒng)框架，包括數(shù)據(jù)采集模塊、離線推薦模塊、在線推薦模塊和推薦模塊，各模塊之間的數(shù)據(jù)共享通過Spark RDD轉(zhuǎn)換；
數(shù)據(jù)采集模塊，用于采集用戶行為數(shù)據(jù)；
所述離線推薦模塊，包含離線推薦算法庫，根據(jù)用戶配置參數(shù)從離線推薦算法庫中選擇相應(yīng)推薦算法對用戶行為數(shù)據(jù)進行訓(xùn)練，得到用戶特征模型；
所述在線推薦模塊，接收來自Kafka的用戶行為數(shù)據(jù)，并發(fā)送給在線推薦算法庫中的相應(yīng)算法進行訓(xùn)練，得到增量用戶特征模型；在線模型訓(xùn)練引擎將訓(xùn)練得到的用戶特征模型作為基礎(chǔ)模型，使用流式增量推薦算法利用最新接收到的用戶行為數(shù)據(jù)對基礎(chǔ)模型進行增量更新，得到最新用戶特征模型；
所述推薦模塊，根據(jù)用戶特征模型，并結(jié)合惰性更新機制更新用戶推薦列表。
2.根據(jù)權(quán)利要求1所述的基于Spark的實時推薦系統(tǒng)，其特征在于，所述在線推薦模塊還包括接近在線推薦模塊，將最新接收到的用戶行為數(shù)據(jù)與在此之前接收到的所有用戶行為數(shù)據(jù)進行融合，將融合之后的用戶行為數(shù)據(jù)發(fā)送給接近在線模型訓(xùn)練引擎，選擇在線推薦算法庫中的接近在線推薦算法進行訓(xùn)練，得到精確用戶特征模型。
3.根據(jù)權(quán)利要求2所述的基于Spark的實時推薦系統(tǒng)，其特征在于，還包括模型融合模塊，用于將離線模型訓(xùn)練引擎、接近在線模型訓(xùn)練引擎和在線模型訓(xùn)練引擎訓(xùn)練得到的用戶特征模型進行融合，得到最終用戶特征模型。
4.根據(jù)權(quán)利要求1所述的基于Spark的實時推薦系統(tǒng)，其特征在于，所述離線算法庫中包含的算法至少有：基于用戶的協(xié)同過濾算法（User-CF）、基于物品的協(xié)同過濾算法（Item-CF）、考慮時間上下文因素的基于用戶的協(xié)同過濾算法（time-User-CF）、考慮時間上下文因素的基于物品的協(xié)同過濾算法（time-Item-CF）、ALS算法；在線推薦算法庫中包含的算法至少有：流式基于用戶的協(xié)同過濾算法（Streaming-User-CF）、流式基于物品的協(xié)同過濾算法（Streaming-Item-CF）。
5.根據(jù)權(quán)利要求3所述的基于Spark的實時推薦系統(tǒng)，其特征在于，所述惰性更新機制包括如下步驟：
（1）分析用戶活躍頻率統(tǒng)計表，獲取活躍用戶集合；
（2）將得到的最終用戶特征模型與活躍用戶相結(jié)合，為活躍用戶生成推薦列表；
（3）將推薦列表保存在Spark RDD中，供Spark SQL進行查詢。
6.根據(jù)權(quán)利要求1所述的基于Spark的實時推薦系統(tǒng)，其特征在于，通過惰性更新機制獲取推薦列表包括如下步驟：
（a）Spark SQL獲取與用戶對應(yīng)的推薦列表，并提取該推薦列表最后一次更新的時間戳timeStamp1；
（b）從用戶訪問系統(tǒng)時間表中獲取用戶最后一次通過系統(tǒng)選擇物品的時間戳timeStamp2；
（c）對比時間戳timeStamp1和timeStamp2，如果timeStamp1 > timeStamp2，將Spark SQL查詢得到的推薦列表返回給該用戶；
（d）否則，重新通過訓(xùn)練得到的用戶特征模型更新該用戶的推薦列表，并將更新后的推薦列表寫入推薦列表集合進行存儲，并將其返回給用戶。
7.一種基于Spark的實時推薦方法，其特征在于，包括以下步驟：
S01：統(tǒng)計用戶訪問的時間和頻率，并將相關(guān)數(shù)據(jù)寫入用戶活躍頻率統(tǒng)計表和用戶訪問系統(tǒng)時間表；
S02：記錄用戶對系統(tǒng)操作的所有行為，并將用戶行為日志數(shù)據(jù)實時發(fā)送給Kafka分布式集群；
S03：根據(jù)用戶配置參數(shù)從離線推薦算法庫中選擇相應(yīng)推薦算法對用戶行為數(shù)據(jù)進行訓(xùn)練，得到用戶特征模型；
S04：通過Spark Streaming實時接收來自Kafka的最新用戶行為數(shù)據(jù)，并發(fā)送給在線推薦算法庫中的相應(yīng)算法進行增量用戶特征模型訓(xùn)練；在線模型訓(xùn)練引擎將訓(xùn)練得到的用戶特征模型作為基礎(chǔ)模型，然后使用流式增量推薦算法利用最新接收到的用戶行為數(shù)據(jù)對基礎(chǔ)模型進行增量更新，得到最新用戶特征模型；
S05：當用戶在配置參數(shù)中選擇了接近在線推薦模塊時，接近在線推薦模塊將最新接收到的用戶行為數(shù)據(jù)與在此之前接收到的所有用戶行為數(shù)據(jù)進行融合，將融合之后的用戶行為數(shù)據(jù)發(fā)送給接近在線模型訓(xùn)練引擎，選擇在線推薦算法庫中的接近在線推薦算法進行訓(xùn)練，得到精確用戶特征模型；
S06：模型整合模塊將離線模型訓(xùn)練引擎、接近在線模型訓(xùn)練引擎和在線模型訓(xùn)練引擎訓(xùn)練得到的用戶特征模型進行融合，得到最終用戶特征模型；
S07：推薦模塊根據(jù)得到的最終用戶特征模型，并結(jié)合惰性更新機制更新用戶的推薦列表。
8.根據(jù)權(quán)利要求7所述的基于Spark的實時推薦方法，其特征在于，所述惰性更新機制包括如下步驟：
（1）分析用戶活躍頻率統(tǒng)計表，獲取活躍用戶集合；
（2）將得到的最終用戶特征模型與活躍用戶相結(jié)合，為活躍用戶生成推薦列表；
（3）將推薦列表保存在Spark RDD中，供Spark SQL進行查詢。
9.根據(jù)權(quán)利要求7所述的基于Spark的實時推薦方法，其特征在于，通過惰性更新機制獲取推薦列表包括如下步驟：
（a）Spark SQL獲取與用戶對應(yīng)的推薦列表，并提取該推薦列表最后一次更新的時間戳timeStamp1；
（b）從用戶訪問系統(tǒng)時間表中獲取用戶最后一次通過系統(tǒng)選擇物品的時間戳timeStamp2;
（c）對比時間戳timeStamp1和timeStamp2，如果timeStamp1 > timeStamp2，將Spark SQL查詢得到的推薦列表返回給該用戶；
（d）否則，重新通過訓(xùn)練得到的用戶特征模型更新該用戶的推薦列表，并將更新后的推薦列表寫入推薦列表集合進行存儲，并將其返回給用戶。