数，得到迭代后输出的Demand结点约束条件的对偶 参数aj.、W及Supply结点约束条件的对偶参数目1。
[0049] 上述方案中，所述播放概率获得单元进一步用于，通过W下方式获得每个任务在 相应定向条件下的播放概率：
[0050] 离线阶段，对于所有定向条件i，初始化>5,=?,?，Si表示定向条件i的预估播放量；
[005。 对于所有的定向条件i，计算目i使得
如果无解或者目i< 0， 则设置目i= 0 ;
[0052] 对应每个任务j，按照分配顺序执行：
[005引计算弓J使焉
，如果无解则设置与J=-;对于满足任 务j的所有定向条件i，更新馬=馬-min^，.巧，冷-々-)}用于下一任务的弓J计算，输出所 有任务的aj.、弓j.;其中，弓j.表示用于计算任务j在相应定向条件下播放概率的第一参数，r(j)表示所有满足任务j的Supply结点；
[0054] 在线阶段，在每个Si到达时，根据Qj.计算出目1，并由弓j.和目i计算得出每个任 务在相应定向条件下的播放概率。
[0055] 上述方案中，所述分配顺序为；对所有的Demand结点按照d/Sj.进行降序排列，其 中，dj.表示任务j所需求的互联网信息播放次数，Sj.表示所有满足dj.定向条件的Si的预估 播放量总和。
[0056] 上述方案中，所述播放概率获得单元进一步用于，通过W下方式计算每个任务在 相应定向条件下的播放概率：
[0057] 输入定向条件i和所有满足定向条件i的任务；
[005引设置^ 3计算目i使得
如果无解或者目i< 0,则设置目i= 0 ;
[0059] 对于每个满足定向条件i的任务，按照分配顺序计算
，更 新馬=馬用于下一个任务的X。计算；其中，X。表示任务j在定向条件i下的播放概率。
[0060] 本发明提供的一种互联网的数据处理方法和装置，能够使计算的Xu达到相对的 最优解，并使互联网信息的播放分布尽量趋向于均匀，从而保证互联网信息推送的效率和 准确率，尽量满足互联网信息的播放需求。
【附图说明】
[0061] 图1为相关技术中互联网信息在定向条件下播放的二部图建模示意图；
[0062] 图2为本发明实施例一的互联网的数据处理方法流程图；
[0063] 图3为本发明实施例二的互联网的数据处理装置结构示意图。
【具体实施方式】
[0064] 下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
[0065] 互联网信息推送算法应尽量保证信息推送方完成每个推送需求（任务），假设任 务j未完成播放量为Uj.，对应的补偿代价为Pj.，则整体的补偿代价为：
[0066] I：jPjUj(I)
[0067] 互联网信息推送算法应保证公式（1)的值尽量最小。
[006引另外，任务中的互联网信息的播放也应当在其所需求的定向条件范围内分布相对 均匀。定义r(j)为所有满足任务j的Supply结点，r(i)为所有能够被Si的定向条件满 足的Demand结点；定义Vj.为任务j对播放均匀分布的要求级别，Vj.越大表示播放的均匀分 布越重要鹿义Sj.=Ei e wSi表示所有满足任务j的Supply结点播放总量，即任务j的 可用库存；因此分配方案的均匀分布标准可W用0U=d/Sj.来衡量，其中，dj.表示任务j 的需求播放量；则可W得到互联网信息播放分布均匀度的表达式：
[0069]
(2 )
[0070] 公式（2)的值越小，表示互联网信息的播放分布越趋向于均匀。
[0071] 为使计算的Xu达到相对的最优解，并使互联网信息的播放分布尽量趋向于均匀， 从而保证互联网信息推送的效率和准确率，本发明实施例将最优化方法和贪也的启发式方 法相结合来求解Xu,W期将原始最优化问题合理的对偶解转化为一个较好的原始问题的 解。
[0072] 下面对本发明实施例的互联网数据处理的方法进行详细说明。
[007引 实施例一
[0074] 本发明实施例一的方法分为两个阶段，第一阶段通过迭代的方法找到原始问题的 对偶问题的一个合理的解，每轮迭代都会向最优解逼近（如果一直迭代下去，算法会收敛 到真正的最优解）；第二阶段利用贪也的启发式方法将对偶问题的解还原成原始问题的一 个较好解。
[0075]首先，根据公式（1)和公式似，定义互联网信息推送的最优化问题如下：
[00M] 1)最小化下式：
[0077]
(3 )
[0078]其中，Si表示定向条件i下的预估播放量，r(j)表示所有满足任务j的Supply结 点数量，Vj表示任务j对播放均匀分布的要求级别，0U表示互联网信息的均匀分布标准， Uj.表示任务j未完成播放量，Pj.表示与Uj.对应的补偿代价，Xu表示在定向条件i的播放量 Si到达时，展示任务j的互联网信息的概率。
[0079] 2)满足W下约束条件：
[0083] 其中，公式（4)的约束条件是指：所有分配给任务j的播放量与任务j未完成播放 量之和大于等于任务j的需求播放量；Vi表示任意任务j;
[0084] 公式巧）的约束条件是指：定向条件i下分配给所有任务的播放量不会超过自身 的播放总量Si;Vi表示任意定向条件i;
[00财公式做的约束条件是指；所有分配概率X。和未完成播放量Uj.的非负约束；ViJ表示任意定向条件i、任意任务j。
[0086] 定义Demand约束条件（即公式（4)所对应的约束条件中的Eie"j>SiXu+Uj)的对 偶参数为aj;定义Supply约束条件（即公式（5)所对应的约束条件中的SiEje"i>Xij) 的对偶参数为目i;定义非负约束条件中的xy的对偶参数为Yu,Uj.的对偶参数为Vj.。
[0087] 由拉格朗日方程和KKT(卡罗需-库恩-培克）条件可得：
[0088] 1)Stationarity(稳定性条件）：
[0089]对于所有定向条件i和任务j，
(7)
[0090] 对于所有任务j，P广a广WJ= 0做
[0091] 2)Complementaryslackness(互补松弛条件）：
[009引对于所有任务 j，aJ= 0,否则Eier(J)SiXy+Uj=dj; (9)
[009引对于所有定向条件i，目i= 0,否则Ejer(i)SiX。=Si; (10)
[0094] 对于所有定向条件i和任务j，yu= 0,否则Xu= 0 ; (11)
[0095] 对于所有任务j，wj= 0,否则Uj= 0 ; (12)
[0096] 并且所有对偶参数非负，即aj> 0、目i> 0、yu> 0、> 0。由于本发明实施 例的最优化问题为凸优化问题，因此满足KKT条件的解即为最优解。
[0097] 由稳定性条件可知：
(13)
[009引而由互补松弛条件的公式（11)可知，Y。= 0否则X。= 0。因此，如果
为负值，则Y。将会增大到足够大使得Xy= 0。可W得到：
[0099]
(14)
[0100] 其中，g。表示函数定义，对应函数
[01O'!] 由公式（8)得到〇J二P广Wj,而Vj> 0,因此aJ《Pj。
[010引 由公式（12)可知，如果= 0不成立，则Uj= 0,因此可W得到aJ=Pj，否则Eier(j)SiXij>dj。进一步，当aJ=pj不成立时，Vj= 0 不成立，所WUj= 0。
[010引进而由公式巧），当a j= 0不成立时有Ei e =dj。而当a j= 0时，由 公式（14)可得到Eier(j)SiX。'=Eier(j)Sigij'(-目i)《dj'，所WEier0)SiX。' =dj。
[0104] 综上可得：
[010引 aj=Pj，否则Eier(j)SiXij=dj(巧）
[0106] 由互补松弛条件的公式（10)可得：
[0107] 目i= 0,否则Ejer(i)Xij= 1 (16)
[010引设at、目t为最优解的对偶参数，由上述推导中的公式（14)、（15)、（16)可W得到 如下结论：
[010引1)原始问题的最优解为又。* =柏（0/-目1*)，径。屯）=1113又{0，0。（化/心}却* 表示对偶问题的最优解，在满足KKT条件时，对偶问题的最优解与原始问题的最优解相同； Z=a/-目；；
[0110]。对于所有任务j，〇《a/《Pj，并且a/ =Pj，否则Eie r(j)SiX*ij=dj;
[01川扣对于所有的定向条件i，目i> 0,并且目i= 0,否则Ej.e = 1。
[0112] 根据W上结论，可W采取类似坐标下降法的方式迭代一定次数计算出一组at、 目％再由启发式的贪也策略进一步约束〇>、目％求解出原始问题较优的解。两阶段算法描 述如下：
[0113] 阶段一：重复迭代2)、3) -定次数
[0114] 1)初始化对于所有任务j，设置aJ= 0
[011引 2)对于所有定向条件i，计算目i使得
如果无解或者目i< 0， 则设置目i= 0 ;
[011引如对于所有任务j，计算aj.使得
狙果a^>Pj或者无解，则 设置aJ=Pj。
[0117]阶段二：
[om]1)初始化：对于所有定向条件i，设置.5,=.v:;
[0119] 2)对于所有的定向条件i，计算目i使得
'如果无解或者目1<〇， 则设置目i= 0 ;
[0120] 3)对应每个任务j，按照分配顺序执行：
[0121] a)计算弓J使
?如果无解则设置^j=-;弓J用于 计算任务j在相应定向条件下播放概率的第一参数；
[0122] b)对于满足任务j的所有定向条件i，更新
输出所 有任务的aJ、与J。
[0123] 在算法的第一阶段，利用反复迭代aj.和目i得到趋向于最优解的一