CN105978729A - 一种基于用户上网日志及位置的手机信息推送系统及方法 - Google Patents

Abstract

本发明涉及一种基于用户上网日志及位置的手机信息推送系统及方法。所述方法包括如下步骤：步骤一，通过对用户数据的分析，将用户的关注点进行关注频率排序，选取用户较为关注的关注点形成实时偏好组合；步骤二，应用联合分析方法对上述偏好组合的用户关注度进行量化评估，得到各个偏好的得分以及每个偏好组合的效用总和，根据效用总和的大小来评估偏好组合内各个偏好之间的关联程度；步骤三，利用用户偏好分类与商企营销信息分类的匹配、以及营销信息提供方商铺的地理位置与用户地理位置的匹配，形成用户偏好组合、用户位置和营销信息三者的精准匹配，然后推送营销信息。本发明提高了传统信息推送方法的精准度及最终客户感受，更客观的评估用户的偏好程度。

Description

一种基于用户上网日志及位置的手机信息推送系统及方法

技术领域

本发明涉及一种基于用户上网日志及位置的手机信息推送系统及方法，属于移动通信精准营销领域。

背景技术

随着移动通信行业的发展、智能手机终端的普及，移动互联网的用户参与度越来越高，针对移动互联网用户的营销信息推送也越来越受到商业营销需求的青睐。现有的营销信息推荐技术主要通过大量获取用户终端硬件信息或者用户移动轨迹信息，然后运用传统互联网用户上网日志分析的方法，结合大量的历史记录获得用户在一段较长时间内的偏好信息，之后分析用户终端类型与营销信息之间、基于用户轨迹的用户偏好与营销信息之间、终端的开关机时间与营销信息之间的信息匹配与触发规则，将这些匹配信息与触发结果发送给信息推送服务器，最终形成针对不同用户的营销信息匹配与推送。

伴随着智能手机的普及，手机用户与移动互联网之间的联系也越来越紧密，同时用户对于受到商业营销短信息的行为也越来越敏感，不合时宜的、频繁的商业信息推送让用户越来越反感，商业营销行为将越来越注重人文关怀及最终客户感受。现有信息推荐技术的分析角度较为单一，比如通过只分析较长时间段内用户的终端信息、位置信息或者上网信息的某一方面获取用户长期偏好，形成的用户偏好认知较为滞后，无法准确把握用户在某个时刻或某几个小时的关注重点，面对用户关注的实时随机变化，无法实时了解用户需求，进而为用户提供实时的个性化的信息体验。

伴随着移动互联网的发展，商业营销的需求越来越追求精细化，能够实时的想用户所想，为用户提供此刻最需要的服务信息是越来越多商企所追寻的终极目标。现有的技术手段在营销信息的推送过程中，为了追求营销信息的准确性，需要利用大量的用户历史数据来进行分析，最终获取的用户需求偏好，可能是几天前、甚至更久以前的用户需求，而且无法根据用户所处的环境为用户提供相应的精准消费与服务推荐，营销信息的推送无法达到实时分析实时发送的效果，造成实际营销信息的严重滞后。

发明内容

本发明的目的在于提供一种基于用户上网日志及位置的手机信息推送系统。联合分析方法主要应用于拥有多种特性或特征的产品的用户偏好程度分析。本发明将该分析方法创新性的应用于用户行为偏好分析领域。

在数据准备过程中，通过对用户几小时内的通信行为、上网行为等数据的分析，将用户的关注点进行关注频率排序，选取用户较为关注的几个关注点形成实时偏好组合，实现用户实时行为及偏好倾向的全面掌握，提升用户偏好识别的时效性。

在模型建设过程中，应用联合分析方法对这些偏好组合的用户关注度进行量化评估，直观的了解各个偏好的得分(联合分析里这个得分用效用来表述)，以及每个偏好组合的效用总和，根据效用总和的大小来评估偏好组合内各个偏好之间的关联程度，全面的了解用户对于各个偏好的关注程度，在保证用户偏好精准识别的基础上提升对于用户偏好倾向的识别范围。

在营销方案生成过程中，利用用户偏好分类与商企营销信息分类的匹配、以及营销信息提供方商铺的地理位置与用户地理位置的匹配，形成用户偏好组合、用户位置和营销信息三者的精准匹配，提高营销信息推送的精准度。

另外，本发明还提供了一种基于用户上网日志及位置的手机信息推送系统，所述系统包括如下模块：

数据准备模块，用于通过对用户数据的分析，将用户的关注点进行关注频率排序，选取用户较为关注的关注点形成实时偏好组合；

模型建设模块，用于应用联合分析方法对上述偏好组合的用户关注度进行量化评估，得到各个偏好的得分以及每个偏好组合的效用总和，根据效用总和的大小来评估偏好组合内各个偏好之间的关联程度；

营销方案生成模块，用于利用用户偏好分类与商企营销信息分类的匹配、以及营销信息提供方商铺的地理位置与用户地理位置的匹配，形成用户偏好组合、用户位置和营销信息三者的精准匹配，然后推送营销信息。

本发明应用于用户实时上网行为分析，并结合商户进行中营销手段，形成精准的营销信息投放，提高传统信息推送的精准度及最终客户感受；由于本发明提出了将应用于产品分析的联合分析方法应用到用户的偏好分析中，将用户的各个偏好看作商品，更能客观的评估用户的偏好程度。

附图说明

图1为本发明基于用户上网日志及位置的手机信息推送方法的流程图。

图2为本发明基于用户上网日志及位置的手机信息推送系统的结构原理图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

为实现以上目的，如图1所示，本发明示例提供了一种基于用户上网日志及位置的手机信息推送系统，包括如下步骤：

步骤一，通过对用户数据的分析，将用户的关注点进行关注频率排序，选取用户较为关注的关注点形成实时偏好组合；

步骤二，应用联合分析方法对上述偏好组合的用户关注度进行量化评估，得到各个偏好的得分以及每个偏好组合的效用总和，根据效用总和的大小来评估偏好组合内各个偏好之间的关联程度；

步骤三，利用用户偏好分类与商企营销信息分类的匹配、以及营销信息提供方商铺的地理位置与用户地理位置的匹配，形成用户偏好组合、用户位置和营销信息三者的精准匹配，然后推送营销信息。

以下是上述方法步骤的详细实施例：

步骤一中，首先提取商业繁华区域内某一指定时间段内的解析过的用户手机上网日志信息，并利用社会渠道获取商铺基本信息(名称、行业类别、地址、电话、营销信息等)、网站分类信息(网站名、栏目名、栏目行业类别等)。

用户数据表

网址分类信息表

商铺信息表

字段名	字段类型	备注
			Name	字符型	商企名
Address	字符型	商企地址
			BusinessLoc	位置型	商企位置(经纬度)
category	字符型	商企所属行业类别
			MarketINFO	字符型	营销信息

(1)针对提取数据进行数据预处理。整合用户数据表、网址分类表、商铺信息表，根据通话记录与商铺电话的匹配，上网日志与网址分类表的匹配，形成用户关注关键词的分类及频率统计，并剔除缺失值、错误值等。形成数据预处理清单；

数据预处理清单

字段名	字段类型	备注
			UserID	字符型	用户编码
Keywords	字符型	用户关键词
			Num	数值型	关注频率
category	字符型	关键词类别

(2)提取建模数据表，即选取各分类基于关注频率汇总值及关注频率按数值大小排序的前三(默认，可配置)的分类及前三(默认，可配置)的关键词。

建模数据表

字段名	字段类型	备注
			Keywords	字符型	用户关键词
Num	数值型	关注频率
			category	字符型	关键词类别

(3)联合分析中涉及三个专有名词：属性、水平、效用。属性表示一个产品的各种固有属性(如手机商品的价格、质量、功能)，水平表示每种属性的客户评价标准(如价格的高、中、低；质量的好、一般、差；功能的全面、一般、少)，效用表示根据客户对每个属性的各个水平的评分而计算出的客户的商品推荐信息的购买偏好程度。

在这里利用联合分析的思路，将客户上网访问关键词的分类定义为属性，表示为u₁,u₂,…,u_n。将各个关键词定义为水平，表示为u_i1,u_i2,…,u_ij(j＝1,2,...,m_i)为第i个类别第j关键词的水平,m_i为第i个类别的关键词数数量。对各个关键词的用户关注程度定义为效用。

(4)确定用户偏好组合评估模型，以效用函数的形式建立：

$a\left(x\right)=\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{m_j}{\Σ}}{a}_{ij}{x}_{ij}\mathrm{...}\left(1\right)$

其中a(x)为所有类别组合的效用,n为类别个数，m_i为类别u_i关键词数目，a_ij为第i个类别的第j个关键词的效用，a_ij的数目随着类别及其关键词数目的增加迅速增加，给计算带来一定的困难。联合分析在进行产品分析时通常采用哑元法减少参数，并应用最小二乘法估计参数。x_ij为第i个类别的第j关键词的特性变量，当在某一测试中，这一类别关键词组合出现时取1，不出现则取0。

由于在建模数据选取时已经确定的三种分类以及各分类中的三个关键词，对于3类别，3关键词的研究对象，如采用上述特性变量x_ij表示时，第一特征的三个关键词的取值情况为:

各种类别关键词组合将有27种取值形式。这时待确定的效用a_ij达27个。但实际上表示第一特征的关键词，完全可以只用两个特性变量x₁,x₂以如下取值形式表示：

同样，表示第二特征的三个关键词可用x₃,x₄表示，其取值为：

表示第三特征的三个关键词可以用x₅,x₆，其取值为：

这时。特性变量数只有6个，效用函数可以表示为：

a＝b₀+b₁x₁+b₂x₂+b₃x₃+b₄x₄+b₅x₅+b₆x₆……(2)

对应哑变元素如表1所示。

表1哑变元素

在表1中对于第一特征u₁,

对应表1中的第一关键词(取值1者)均用x₁取1，x₂取0表示；

对应表1中的第二关键词(取值2者)均用x₁取0，x₂取1表示；

对应表1中的第三关键词(取值3者)均用x₁取0，x₂取0表示。

对u₂,u₃依次类推。应用最小二乘法即可估计得出参数b₀,b₁,b₂,…,b₆。

多元线性回归的模型采用最小二乘法估计参数方法如下：

${\hat{y}}_i={\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1{X}_{1i}+{\widehat{\mathrm{\β}}}_2{X}_{2i}+...+{\widehat{\mathrm{\β}}}_k{X}_{Ki},(i=1,2,...,n)$

根据最小二乘法原理，参数估计值为如下方程组的解：

$\left\{\begin{array}{c}\frac{\∂}{\∂{\widehat{\mathrm{\β}}}_0}Q=0\\ \frac{\∂}{\∂{\widehat{\mathrm{\β}}}_1}Q=0\\ \frac{\∂}{\∂{\widehat{\mathrm{\β}}}_2}Q=0\\ .\\ .\\ .\\ \frac{\∂}{\∂{\widehat{\mathrm{\β}}}_k}Q=0\end{array}\right.$

其中

$\begin{array}{c}Q=\underset{i=1}{\overset{n}{\Σ}}{e}_i^2=\underset{i=1}{\overset{n}{\Σ}}{(Y_i-{\hat{Y}}_i)}^2\\ =\underset{i=1}{\overset{n}{\Σ}}{(Y_i-({\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1{X}_{1i}+{\widehat{\mathrm{\β}}}_2{X}_{2i}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k{X}_{Ki}\left)\right)}^2\end{array}$

于是，得到关于待估参数估计值的正规方程组：

$\left\{\begin{array}{c}\Σ({\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1{X}_{1i}+{\widehat{\mathrm{\β}}}_2{X}_{2i}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k{X}_{Ki})=\ΣY_t\\ \Σ({\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1{X}_{1i}+{\widehat{\mathrm{\β}}}_2{X}_{2i}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k{X}_{Ki})x_{1t}=\ΣY_t{X}_{1t}\\ \Σ({\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1{X}_{1i}+{\widehat{\mathrm{\β}}}_2{X}_{2i}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k{X}_{Ki})x_{2t}=\ΣY_t{X}_{2t}\\ .\\ .\\ .\\ \Σ({\widehat{\mathrm{\β}}}_0+{\widehat{\mathrm{\β}}}_1{X}_{1i}+{\widehat{\mathrm{\β}}}_2{X}_{2i}+\mathrm{...}+{\widehat{\mathrm{\β}}}_k{X}_{Ki})x_{kt}=\ΣY_t{X}_{kt}\end{array}\right.$

解该(K+1)各方程组成的线性方程组，即可得到(k+1)各待估参数的估计值j＝0，1，2，…，k

将上述方程用矩阵表示如下：

寻求一组参数估计值使得残差平方和

最小。

即求解：

$\begin{array}{c}\frac{\∂}{\∂\widehat{\mathrm{\β}}}{(Y-X\widehat{\mathrm{\β}})}^{,}(Y-X\widehat{\mathrm{\β}})=0\\ \frac{\∂}{\∂\widehat{\mathrm{\β}}}(Y^{,}Y-{\widehat{\mathrm{\β}}}^{,}{X}^{,}Y-Y^{,}X\widehat{\mathrm{\β}}+{\widehat{\mathrm{\β}}}^{,}{X}^{,}X\widehat{\mathrm{\β}})=0\\ \frac{\∂}{\∂\widehat{\mathrm{\β}}}(Y^{,}Y-2Y^{,}X\widehat{\mathrm{\β}}+{\widehat{\mathrm{\β}}}^{,}{X}^{,}X\widehat{\mathrm{\β}})=0\\ -X^{,}Y+X^{,}X\widehat{\mathrm{\β}}=0\\ \widehat{\mathrm{\β}}={\left(X^{,}X\right)}^{-1}{X}^{,}Y\end{array}$

针对方程(2)和方程(1)，各类别组合的效用有如下关系：

α(x)₁＝a₁₁+a₂₁+a₃₁＝b₀+b₁+b₃+b₅

α(x)₂＝a₁₂+a₂₁+a₃₁＝b₀+b₂+b₃+b₅

α(x)₃＝a₁₃+a₂₁+a₃₁＝b₀+b₃+b₅

……

根据以上关系，以及对于关键词的效用评分存在线性约束，即各分类的三个关键词的效用评分和为0，可列出方程组(3)～(5)。通过求解这一线性方程即可得出参数a_ij的值：

$\left\{\begin{array}{c}{a}_{11}-a_{13}=b_1\\ a_{12}-a_{13}=b_2\\ a_{11}+a_{12}+a_{13}=0\end{array}\right.\mathrm{......}\left(3\right)$

$\left\{\begin{array}{c}{a}_{21}-a_{23}=b_3\\ a_{22}-a_{23}=b_4\\ a_{21}+a_{22}+a_{23}=0\end{array}\right.\mathrm{......}\left(4\right)$

$\left\{\begin{array}{c}{a}_{31}-a_{33}=b_5\\ a_{32}-a_{33}=b_6\\ a_{31}+a_{32}+a_{33}=0\end{array}\right.\mathrm{......}\left(5\right)$

(5)预测用户偏好出现不同关键词组合对象的效用。

(6)根据不同关键词组合的效用，发现不同关键词在用户行为习惯中的规则，生成用户行为偏好组合表。

用户行为偏好组合表

组合序号	关键词1	关键词2	关键词3	组合效用
					1
2

(7)将用户行为偏好组合表中关键词所属类别与商铺信息表中商企商业类别进行匹配，从而形成偏好组合与商企营销信息，用户位置与商企位置的关联，比如通过模型运算得到的偏好组合为(u₁₁，u₂₁，u₃₁)，某用户目前关注偏好为(u₁₁，u₃₁)，可以向用户推荐u₃₁关键词所属分类对应的商企营销信息。

由于面对众多用户关键词时，在进行正交运算时，会生成几何级的组合数量，而且用户访问的众多关键词在访问频率不高的情况下我们可以认为用户是临时访问，不作为用户偏好考虑，实际应用中一般选取用户访问频率较高的三个分类及每个分类前三的关键词，算法示例如下：

表2用户访问的分类及关键词

这里应用L₉(3³)正交表安排测试。所得分值如表3：

表3用户访问分类及关键词组合正交测试表

评分值为用户手机上网日志的次数累计利用归一法运算后乘以10获得。表3中的评分值是根据提取的少量模拟用户日志数据生成的一组数据。

因此

$X=\left[\begin{array}{ccccccc}1& 1& 0& 1& 0& 1& 0\\ 1& 1& 0& 0& 1& 0& 1\\ 1& 1& 0& 0& 0& 0& 0\\ 1& 0& 1& 1& 0& 0& 1\\ 1& 0& 1& 0& 1& 0& 0\\ 1& 0& 1& 0& 0& 1& 0\\ 1& 0& 0& 1& 0& 0& 0\\ 1& 0& 0& 0& 1& 1& 0\\ 1& 0& 0& 0& 0& 0& 1\end{array}\right],Y=\left[\begin{array}{c}9\\ 7\\ 5\\ 6\\ 5\\ 6\\ 5\\ 7\\ 6\end{array}\right]$

$X^{\′}X=\left[\begin{array}{ccccccc}9& 3& 3& 3& 3& 3& 3\\ 3& 3& 0& 1& 1& 1& 1\\ 3& 0& 3& 1& 1& 1& 1\\ 3& 1& 1& 3& 0& 1& 1\\ 3& 1& 1& 0& 3& 1& 1\\ 3& 1& 1& 1& 1& 3& 0\\ 3& 1& 1& 1& 1& 0& 3\end{array}\right]$

${\left(X^{\′}X\right)}^{-1}=\left[\begin{array}{ccccccc}0.78& -0.3& -0.3& -0.3& -0.3& -0.3& -0.3\\ -0.3& 0.67& 0.33& 0& 0& 0& 0\\ -0.3& 0.33& 0.67& 0& 0& 0& 0\\ -0.3& 0& 0& 0.67& 0.33& 0& 0\\ -0.3& 0& 0& 0.33& 0.67& 0& 0\\ -0.3& 0& 0& 0& 0& 0.67& 0.33\\ -0.3& 0& 0& 0& 0& 0.33& 0.67\end{array}\right],\left(X^{\′}Y\right)=\left[\begin{array}{c}56\\ 21\\ 17\\ 20\\ 19\\ 22\\ 19\end{array}\right]$

$b={\left(X^{\′}X\right)}^{-1}{X}^{\′}Y=\left[\begin{array}{c}4.222\\ 1.000\\ -0.333\\ 1.000\\ 0.667\\ 2.333\\ 1.333\end{array}\right]$

由此可以算出(2)式中的各个系数：

b₀＝4.222,b₁＝1.000,b₂＝-0.333,b₃＝1.000,b₄＝0.667,b₅＝2.333,b₆＝1.333

求解方程组

$\left\{\begin{array}{c}{a}_{11}-a_{13}=1.000\\ a_{12}-a_{13}=-0.333\\ a_{11}+a_{12}+a_{13}=0\end{array}\right.$

可得：a₁₁＝0.778；a₁₂＝-0.556；a₁₃＝-0.222；

同理可得：

$\left\{\begin{array}{c}{a}_{21}=0.445;a_{22}=0.111;a_{23}=-0.556;\\ a_{31}=1.111;a_{32}=0.111;a_{33}=-1.222;\end{array}\right.$

上述结果可表示如下：

表4手机特性水平组合效果表

根据表4的效用值可以得到所有27种特性组合的效用值。计算得出下表：

表5所有分类组合效用值

符号

组合

效用值

符号

组合

效用值

符号

组合

效用值

a(x1)

a(1,A,a)

2.334

a(x10)

a(2,A,a)

1

a(x19)

a(3,A,a)

1.334

a(x2)

a(1,A,b)

1.334

a(x11)

a(2,A,b)

0

a(x20)

a(3,A,b)

0.334

a(x3)

a(1,A,c)

0.001

a(x12)

a(2,A,c)

-1.333

a(x21)

a(3,A,c)

-0.999

a(x4)

a(1,B,a)

2

a(x13)

a(2,B,a)

0.666

a(x22)

a(3,B,a)

1

a(x5)

a(1,B,b)

1

a(x14)

a(2,B,b)

-0.334

a(x23)

a(3,B,b)

0

a(x6)

a(1,B,c)

-0.333

a(x15)

a(2,B,c)

-1.667

a(x24)

a(3,B,c)

-1.333

a(x7)

a(1,C,a)

1.333

a(x16)

a(2,C,a)

-0.001

a(x25)

a(3,C,a)

0.333

a(x8)

a(1,C,b)

0.333

a(x17)

a(2,C,b)

-1.001

a(x26)

a(3,C,b)

-0.667

a(x9)

a(1,C,c)

-1

a(x18)

a(2,C,c)

-2.334

a(x27)

a(3,C,c)

-2

上述数据预示了各种分类关键词组合的用户偏好关联程度预测，表5中组合(澳门风云II，西餐，KTV)的效用值为2.334，组合(澳门风云II，火锅，KTV)的效用值为2，这两种组合是用户偏好关联程度最高的组合。这样我们在制定营销推荐时，就可以向历史访问行为中具有“西餐、KTV”访问关键词的用户推荐正在上映“澳门风云II”的影院的相关营销信息；或者向历史访问行为中具有“澳门风云II、KTV”访问关键词的用户推荐“西餐厅”或主营“火锅”的餐饮企业的相关营销信息。

根据以上用户偏好组合的最终形成结果，我们通过结合用户的位置信息与商户资料服务器中商户地址的匹配，对用户进行精准的实时信息推荐，比如根据用户偏好关联预测结果，结合移动通信系统信令系统的位置信息，对用户所处地理位置定位，并推荐附近的相关商铺的优惠信息。

如图2所示，本发明还提供一种基于用户上网日志及位置的手机信息推送系统，所述系统包括如下模块：

数据准备模块，用于通过对用户数据的分析，将用户的关注点进行关注频率排序，选取用户较为关注的关注点形成实时偏好组合；

模型建设模块，用于应用联合分析方法对上述偏好组合的用户关注度进行量化评估，得到各个偏好的得分以及每个偏好组合的效用总和，根据效用总和的大小来评估偏好组合内各个偏好之间的关联程度；

营销方案生成模块，用于利用用户偏好分类与商企营销信息分类的匹配、以及营销信息提供方商铺的地理位置与用户地理位置的匹配，形成用户偏好组合、用户位置和营销信息三者的精准匹配，然后推送营销信息。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若对本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于用户上网日志及位置的手机信息推送方法，其特征在于所述方法包括如下步骤：

步骤一，通过对用户数据的分析，将用户的关注点进行关注频率排序，选取用户较为关注的关注点形成实时偏好组合；

步骤二，应用联合分析方法对上述偏好组合的用户关注度进行量化评估，得到各个偏好的得分以及每个偏好组合的效用总和，根据效用总和的大小来评估偏好组合内各个偏好之间的关联程度；

步骤三，利用用户偏好分类与商企营销信息分类的匹配、以及营销信息提供方商铺的地理位置与用户地理位置的匹配，形成用户偏好组合、用户位置和营销信息三者的精准匹配，然后推送营销信息。

2.如权利要求1所述的基于用户上网日志及位置的手机信息推送方法，其特征在于：

所述步骤一中的用户数据包括：商业繁华区域内某一指定时间段内的解析过的用户手机上网日志信息，以及利用社会渠道获取的商铺基本信息、网站分类信息。

3.如权利要求1或2所述的基于用户上网日志及位置的手机信息推送方法，其特征在于：

所述步骤一中对用户数据的分析包括以下内容：针对用户数据进行数据预处理，整合用户数据表、网址分类表、商铺信息表，根据通话记录与商铺电话的匹配，上网日志与网址分类表的匹配，形成用户关注关键词的分类及频率统计，并剔除缺失值、错误值等，形成数据预处理清单。

4.如权利要求1所述的基于用户上网日志及位置的手机信息推送方法，其特征在于：

所述步骤一中选取用户较为关注的关注点的方法为：提取建模数据表，即选取各分类基于关注频率汇总值及关注频率按数值大小排序的前三的分类及前三的关键词。

5.如权利要求1所述的基于用户上网日志及位置的手机信息推送方法，其特征在于：

步骤二中所述的联合分析方法中，将客户上网访问关键词的分类定义为属性，表示为u₁,u₂,…,u_n；将各个关键词定义为水平，表示为

u_ij(j＝1，2，...，m_i)为第i个类别第j个关键词的水平,m_i为第i个类别的关键词数数量；对各个关键词的用户关注程度定义为效用。

6.如权利要求1所述的基于用户上网日志及位置的手机信息推送方法，其特征在于：

所述步骤二中的评估方法为：确定用户偏好组合评估模型，以效用函数的形式建立：

$a\left(x\right)=\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{m_j}{\Σ}}{a}_{ij}{x}_{ij}\mathrm{......}\left(1\right)$

其中a(x)为所有类别组合的效用,n为类别个数，m_i为类别u_i关键词数目，a_ij为第i个类别的第j个关键词的效用，x_ij为第i个类别的第j个关键词的特性变量，当在某一测试中，这一类别关键词组合出现时取1，不出现则取0。

7.一种基于用户上网日志及位置的手机信息推送系统，其特征在于所述系统包括如下模块：

数据准备模块，用于通过对用户数据的分析，将用户的关注点进行关注频率排序，选取用户较为关注的关注点形成实时偏好组合；

模型建设模块，用于应用联合分析方法对上述偏好组合的用户关注度进行量化评估，得到各个偏好的得分以及每个偏好组合的效用总和，根据效用总和的大小来评估偏好组合内各个偏好之间的关联程度；

营销方案生成模块，用于利用用户偏好分类与商企营销信息分类的匹配、以及营销信息提供方商铺的地理位置与用户地理位置的匹配，形成用户偏好组合、用户位置和营销信息三者的精准匹配，然后推送营销信息。