CN118365427B - 一种基于区块链的数据展示方法 - Google Patents
一种基于区块链的数据展示方法 Download PDFInfo
- Publication number
- CN118365427B CN118365427B CN202410781795.8A CN202410781795A CN118365427B CN 118365427 B CN118365427 B CN 118365427B CN 202410781795 A CN202410781795 A CN 202410781795A CN 118365427 B CN118365427 B CN 118365427B
- Authority
- CN
- China
- Prior art keywords
- data
- transaction
- seller
- transacted
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 239000013598 vector Substances 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000003993 interaction Effects 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 3
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 claims description 3
- 201000011510 cancer Diseases 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于数据交易技术领域，提供了一种基于区块链的数据展示方法，该数据展示方法包括：基于卖家的待交易数据与区块链中的所有交易数据，计算独特性指数；判断独特性指数是否大于等于独特性指数预设值，若是，则将待交易数据上传到区块链上的卖家节点；基于卖家的历史交易数据、历史反馈数据、历史交易数据质量和历史交易记录获取信誉评分；构建第一图神经网络并根据第一图神经网络获取交易数据的数据特征，对多任务模型进行优化；构建第二图神经网络并利用第二图神经网络和优化后的多任务模型获取待交易数据的基础曝光率；根据待交易数据的基础曝光率和卖家的信誉评分计算最终曝光率。本申请的数据展示方法能够提高数据展示的合理性。
Description
技术领域
本申请涉及数据交易技术领域，尤其涉及一种基于区块链的数据展示方法。
背景技术
数据交易是指数据作为商品进行定价、流通和买卖的行为。随着信息技术的快速发展和互联网的广泛普及，数据交易已成为一个重要的经济活动，并逐渐成为数字经济的重要组成部分。
目前，数据交易大多通过中心化平台进行，这些平台由单一机构或组织控制，负责数据的收集、存储和交易。中心化平台的主要特点是数据交易过程高度集中管理，包括数据的验证、交易撮合以及定价机制等关键环节均由平台方单方面控制。这种模式下，平台方拥有绝对的数据处理和决策权，能够依据自身利益调整交易规则和费用结构。同时，中心化平台因其集中的数据管理和控制机制，能够有效降低交易成本和提高交易效率，这也是其被广泛采用的主要原因之一。
然而，尽管这种中心化数据交易模式在实践中不断完善，但仍存在各种问题和挑战，特别是在数据交易的公平性和展示合理性方面。中心化数据交易平台的平台运营商通常具有相对较高的权限，他们可以通过修改数据流量、设置曝光率、限制数据访问等手段影响数据交易的公平性，且缺乏对数据曝光率的合理设置，导致出现优质的数据极少受到关注等问题。因此，存在数据展示合理性低的问题。
发明内容
本申请提供了一种基于区块链的数据展示方法，可以解决数据展示合理性低的问题。
本申请实施例提供了一种基于区块链的数据展示方法，该数据展示方法包括：
基于卖家的待交易数据与区块链中的所有交易数据，计算待交易数据的独特性指数；独特性指数用于描述待交易数据与区块链中交易数据之间的区别程度；
判断独特性指数是否大于等于独特性指数预设值，若是，则将待交易数据上传到区块链上的卖家节点；
基于卖家的历史交易数据、历史反馈数据、历史交易数据质量和历史交易记录获取卖家的信誉评分；历史反馈数据为与卖家建立过交易关系的买家对卖家的评价数据；
根据区块链的所有买家节点、所有交易数据构建第一图神经网络，并根据第一图神经网络获取每个交易数据的数据特征；第一图神经网络中的多个用户节点与多个买家节点一一对应，多个数据节点与多个交易数据一一对应，每个用户节点和每个数据节点之间的边表示对应的用户和对应的交易数据之间的交互关系；
基于所有数据特征，利用多任务模型预测每个交易数据的预测曝光率、预测点击率和预测用户满意度，并基于所有预测曝光率、预测点击率和预测用户满意度对多任务模型进行优化，得到优化后的多任务模型；
根据区块链的所有买家节点、所有交易数据、待交易数据构建第二图神经网络，并利用第二图神经网络和优化后的多任务模型获取待交易数据的基础曝光率；第二图神经网络中的多个用户节点与多个买家节点一一对应，多个数据节点与多个交易数据一一对应，待交易数据节点与待交易数据对应，每个用户节点和每个数据节点之间的边表示对应的用户和对应的交易数据之间的交互关系，每个用户节点和待交易数据节点之间的边表示对应的用户和待交易数据之间的交互关系；
根据待交易数据的基础曝光率和卖家的信誉评分计算待交易数据的最终曝光率；
根据最终曝光率对待交易数据进行展示。
可选的，基于卖家的待交易数据与区块链中的所有交易数据，计算待交易数据的独特性指数，包括：
基于区块链中的所有交易数据，获取待交易数据的多个近邻交易数据；
基于待交易数据的所有近邻交易数据，通过独特性指数计算公式计算待交易数据的独特性指数；
独特性指数计算公式为：
其中，表示待交易数据的独特性指数，表示待交易数据的特征向量，，表示待交易数据的近邻交易数据的集合，表示待交易数据的第1个近邻交易数据的特征向量，表示待交易数据的第2个近邻交易数据的特征向量，表示待交易数据的第个近邻交易数据的特征向量，表示所述待交易数据的第个近邻交易数据的特征向量，表示第个近邻交易数据与待交易数据之间的相似度：
其中，，表示第个近邻交易数据与待交易数据之间的杰卡德系数。
可选的，基于区块链中的所有交易数据，获取待交易数据的多个近邻交易数据，包括：
若待交易数据为文档数据，则对文档数据进行文档标准化，并计算标准化后的文档数据的最小哈希签名；
将最小哈希签名转换为特征向量，并获取区块链中每个其他文档数据的特征向量；
基于所有其他文档数据的特征向量和文档数据的特征向量，利用LSH算法获取文档数据的多个近邻交易数据；
若待交易数据为表格数据，则对表格数据进行表格标准化，并获取标准化后的表格数据的特征向量；
获取区块链中每个其他表格数据的特征向量；
基于所有其他表格数据的特征向量和表格数据的特征向量，利用针对结构化数据的相似度算法获取表格数据的多个近邻交易数据；
若待交易数据为图像数据，则对图像数据进行图像标准化，并使用图像描述符获取标准化后的图像数据的特征向量；
获取区块链中每个其他图像数据的特征向量；
基于所有其他图像数据的特征向量和图像数据的特征向量，利用搜索算法获取图像数据的多个近邻交易数据。
可选的，基于卖家的历史交易数据、历史反馈数据、历史交易数据质量和历史交易记录获取卖家的信誉评分，包括：
基于历史交易数据计算卖家的交易数据评分；
基于历史反馈数据获取卖家的评分后验概率；
基于历史交易数据质量计算卖家的数据质量评分；
基于历史交易记录获取卖家的交易模式评分；
利用交易数据评分、评分后验概率、数据质量评分和交易模式评分对卖家进行评分，获取卖家的信誉评分。
可选的，基于历史交易数据计算卖家的交易数据评分，包括：
通过公式：
计算卖家的交易数据评分；
其中，和均表示权重系数，表示卖家的所有历史交易数据被引用的次数，表示卖家的所有历史交易数据中被引用的最大次数，表示卖家的历史交易数据发生错误的概率，表示卖家的历史交易数据发生错误的最大概率，表示卖家提交的历史交易数据对应的独特性指数大于等于独特性指数预设值的概率，表示卖家提交的历史交易数据对应的独特性指数大于等于独特性指数预设值的最大概率；
基于历史反馈数据获取卖家的评分后验概率，包括：
通过公式：
计算卖家的评分后验概率；
其中，表示卖家接到的用户反馈，表示特定用户反馈，特定用户反馈为用户对卖家的历史反馈，表示卖家的基础信誉评分，表示在卖家的基础信誉评分的影响下卖家接到的用户反馈的概率，表示卖家的基础信誉评分的先验概率，表示卖家接到的用户反馈的总概率；
基于历史交易数据质量计算卖家的数据质量评分，包括：
通过公式：
计算卖家的数据质量评分；
其中，和均表示权重，表示卖家的交易数据的准确性，表示卖家的交易数据的完整性，表示卖家的交易数据的最新性，表示卖家的交易数据的一致性；
基于历史交易记录获取卖家的交易模式评分，包括：
从历史交易记录中获取卖家的交易特征向量；
其中，表示卖家的第1个交易特征，表示卖家的第2个交易特征，表示卖家的第个交易特征；
对多个卖家的交易特征向量进行聚类，得到多个聚类以及每个聚类对应的聚类中心；
分别针对每个聚类，计算聚类的聚类中心与其他聚类的聚类中心之间的距离，并判断所有距离的平均值是否大于预设距离；
若是，则将聚类标记为非正常；
否则，将聚类标记为正常；
通过公式：
计算卖家的特征向量与正常的聚类对应的聚类中心之间的距离；
其中，表示卖家的第个交易特征，，表示聚类中心的第个坐标；
通过公式：
计算卖家的交易模式评分；
其中，为比例系数，表示距离阈值；
利用交易数据评分、评分后验概率、数据质量评分和交易模式评分对卖家进行评分，获取卖家的信誉评分，包括：
通过公式：
计算卖家的信誉评分；
其中，和均表示权重参数。
可选的，根据第一图神经网络获取每个交易数据的数据特征，包括：
通过公式：
获取第个节点在第层的初始特征；
其中，第个节点为第一图神经网络中的用户节点或者数据节点，表示第个节点，表示第个节点在第一图神经网络中对应的节点的相邻节点集合，表示归一化常数，表示第个节点在第层的初始特征，表示激活函数，，表示在第一图神经网络中用户节点和数据节点的总数量，，表示第个节点的层数，表示第个用户在第层的初始特征；
分别针对每个交易数据，将交易数据在第一图神经网络中对应的节点在最后一层的初始特征作为交易数据的数据特征。
可选的，基于所有数据特征，利用多任务模型预测每个交易数据的预测曝光率、预测点击率和预测用户满意度，包括：
通过公式：
获取第个预测任务的预测结果矩阵；
其中，表示数据特征矩阵，，当时，第个预测任务为曝光率预测任务，预测结果矩阵为预测曝光率矩阵，当时，第个预测任务为点击率预测任务，预测结果矩阵为预测点击率矩阵，当时，第个预测任务为用户满意度预测任务，预测结果矩阵为预测用户满意度矩阵，表示第个预测任务的权重，表示第个预测任务的偏差，表示第个预测任务的激活函数；
基于所有预测曝光率、预测点击率和预测用户满意度对多任务模型进行优化，得到优化后的多任务模型，包括：
通过公式：
计算多任务模型的损失函数值；
其中，表示第个预测任务的损失函数，表示第个预测任务的任务权重，表示第个预测任务的预测结果矩阵对应的真实值矩阵；
判断多任务模型的损失函数值是否小于等于损失函数预设值；
若是，则将多任务模型作为优化后的多任务模型；
否则，调整多任务模型中的参数，并返回基于所有数据特征，利用多任务模型预测每个交易数据的预测曝光率、预测点击率和预测用户满意度的步骤。
可选的，根据待交易数据的基础曝光率和卖家的信誉评分计算待交易数据的最终曝光率，包括：
通过公式：
计算待交易数据的最终曝光率；
其中，表示待交易数据的基础曝光率，表示调整因子，表示卖家的信誉评分，表示平均信誉评分。
可选的，在根据最终曝光率对待交易数据进行展示的步骤后，数据展示方法还包括：
通过区块链上的智能合约对待交易数据进行交易；
智能合约规定在交易时对待交易数据进行多段传输，待交易数据的每一段数据传输完成后，均需要参与交易的买家节点对已传输的数据进行确认，智能合约在交易结束后根据已传输的数据向卖家节点结算费用。
可选的，通过区块链上的智能合约对待交易数据进行交易，包括：
将待交易数据划分为多段数据；
将待交易数据的第一段数据作为当前数据；
将当前数据传输给进行交易的买家节点；
接收买家节点返回的数据确认消息，并判断当前数据是否为待交易数据的最后一段数据；
若是，则通过智能合约将待交易数据的交易费用结算给卖家节点；交易费用是买家节点根据待交易数据的价格上传至智能合约的；
否则，将当前数据的下一段数据作为当前数据，并返回将当前数据传输给进行交易的买家节点的步骤。
本申请的上述方案有如下的有益效果：
在本申请的一些实施例中，通过基于卖家的待交易数据与区块链中的所有交易数据，计算待交易数据的独特性指数，然后判断独特性指数是否大于等于独特性指数预设值，若是，则将待交易数据上传到区块链上的卖家节点，再基于卖家的历史交易数据、历史反馈数据、历史交易数据质量和历史交易记录获取卖家的信誉评分，然后根据区块链的所有买家节点、所有交易数据构建第一图神经网络，并根据第一图神经网络获取每个交易数据的数据特征，然后基于所有数据特征，利用多任务模型预测每个交易数据的预测曝光率、预测点击率和预测用户满意度，并基于所有预测曝光率、预测点击率和预测用户满意度对多任务模型进行优化，得到优化后的多任务模型，再根据区块链的所有买家节点、所有交易数据、待交易数据构建第二图神经网络，并利用第二图神经网络和优化后的多任务模型获取待交易数据的基础曝光率，然后根据待交易数据的基础曝光率和卖家的信誉评分计算待交易数据的最终曝光率，最后根据最终曝光率对待交易数据进行展示。其中，根据独特性指数判断是否将交易数据上传到区块链，能够保证交易数据的独特性，有效减少数据转卖的情况，基于卖家的多方面的历史因素得到的信誉评分精确性高，根据对区块链中所有用户与所有交易数据、待交易数据之间的关系进行分析得到的基础曝光率具有全面性和真实性，根据精确性高的信誉评分以及基础曝光率获取的最终曝光率的合理性高，根据合理性高的最终曝光率对待交易数据进行展示，有效提高数据展示的合理性。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的基于区块链的数据展示方法的流程图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
针对数据展示合理性低的问题，本申请的实施例提供了一种基于区块链的数据展示方法，该方法通过基于卖家的待交易数据与区块链中的所有交易数据，计算待交易数据的独特性指数，然后判断独特性指数是否大于等于独特性指数预设值，若是，则将待交易数据上传到区块链上的卖家节点，再基于卖家的历史交易数据、历史反馈数据、历史交易数据质量和历史交易记录获取卖家的信誉评分，然后根据区块链的所有买家节点、所有交易数据构建第一图神经网络，并根据第一图神经网络获取每个交易数据的数据特征，然后基于所有数据特征，利用多任务模型预测每个交易数据的预测曝光率、预测点击率和预测用户满意度，并基于所有预测曝光率、预测点击率和预测用户满意度对多任务模型进行优化，得到优化后的多任务模型，再根据区块链的所有买家节点、所有交易数据、待交易数据构建第二图神经网络，并利用第二图神经网络和优化后的多任务模型获取待交易数据的基础曝光率，然后根据待交易数据的基础曝光率和卖家的信誉评分计算待交易数据的最终曝光率，最后根据最终曝光率对待交易数据进行展示。其中，根据独特性指数判断是否将交易数据上传到区块链，能够保证交易数据的独特性，有效减少数据转卖的情况，基于卖家的多方面的历史因素得到的信誉评分精确性高，根据对区块链中所有用户与所有交易数据、待交易数据之间的关系进行分析得到的基础曝光率具有全面性和真实性，根据精确性高的信誉评分以及基础曝光率获取的最终曝光率的合理性高，根据合理性高的最终曝光率对待交易数据进行展示，有效提高数据展示的合理性。
接下来对本申请提供的基于区块链的数据展示方法做示例性说明。
如图1所示，本申请实施例提供的基于区块链的数据展示方法包括如下步骤：
步骤11，基于卖家的待交易数据与区块链中的所有交易数据，计算待交易数据的独特性指数。
上述独特性指数用于描述待交易数据与区块链中交易数据之间的区别程度。上述待交易数据和交易数据可以是如商品的喜好调查结果、文本文件、表格数据等数据形式的商品。
在本申请的一些实施例中，上述基于卖家的待交易数据与区块链中的所有交易数据，计算待交易数据的独特性指数的步骤具体为：
第一步，基于区块链中的所有交易数据，获取待交易数据的多个近邻交易数据。
第二步，基于待交易数据的所有近邻交易数据，通过独特性指数计算公式计算待交易数据的独特性指数。
独特性指数计算公式为：
其中，表示待交易数据的独特性指数，表示待交易数据的特征向量，，表示待交易数据的近邻交易数据的集合，表示待交易数据的第1个近邻交易数据的特征向量，表示待交易数据的第2个近邻交易数据的特征向量，表示待交易数据的第个近邻交易数据的特征向量，表示待交易数据的第个近邻交易数据的特征向量，表示第个近邻交易数据与待交易数据之间的相似度：
其中，，表示第个近邻交易数据与待交易数据之间的杰卡德系数。
需要说明的是，若待交易数据为文档数据，则对文档数据进行文档标准化，并计算标准化后的文档数据的最小哈希签名，然后将最小哈希签名转换为特征向量，并获取区块链中每个其他文档数据的特征向量，再基于所有其他文档数据的特征向量和文档数据的特征向量，利用局部敏感哈希（LSH，Locality Sensitive Hashing）算法获取文档数据的多个近邻交易数据。上述文档标准化包括：去除停用词、词干提取等操作。
若待交易数据为表格数据，则对表格数据进行表格标准化，并获取标准化后的表格数据的特征向量，然后获取区块链中每个其他表格数据的特征向量，再基于所有其他表格数据的特征向量和表格数据的特征向量，利用针对结构化数据的相似度算法获取表格数据的多个近邻交易数据。上述表格标准化包括：识别和规范化行列标题，数据类型识别和规范化单元格式，上述获取表格数据的特征向量时，可以利用高级特征提取技术，如布隆过滤器获取表格数据的特征向量。
若待交易数据为图像数据，则对图像数据进行图像标准化，并使用图像描述符获取标准化后的图像数据的特征向量，然后获取区块链中每个其他图像数据的特征向量，再基于所有其他图像数据的特征向量和图像数据的特征向量，利用搜索算法获取图像数据的多个近邻交易数据。上述图像标准化包括：标准化图像尺寸与色彩空间转换。其中，标准化图像尺寸是对图像进行缩放，以确保在相似度比较时尺寸一致，色彩空间转换是将图像转换到适合处理的色彩空间，例如从RGB转换到灰度或HSV空间，以便更有效地比较内容。上述图像描述符可以是尺度不变特征变换（SIFT，Scale-Invariant Feature Transform）、加速鲁棒特征（SURF，Speeded Up Robust Features）、定向快速旋转简报（ORB，Oriented Fastand Rotated Brief ）等特征提取算法。上述搜索算法可以是快速最近邻搜索库（FLANN，Fast Approximate Nearest Neighbor Search Library）算法。
示例性的，可以利用matlab、Mathematica等数据计算的计算机软件运行上述步骤，得到待交易数据的独特性指数。
值得一提的是，区块链是一种隐私性强的数据交易方式，能够对用户进行隐私保护，提高数据交易的隐私性，根据独特性指数判断是否将交易数据上传到区块链，能够保证交易数据的独特性，有效减少数据转卖的情况，同时，先获取多个近邻交易数据能够减少计算独特性指数时的计算量，提高处理效率。
步骤12，判断独特性指数是否大于等于独特性指数预设值，若是，则将待交易数据上传到区块链上的卖家节点。
上述卖家节点可以是区块链上的任一节点。
在本申请的一些实施例中，上述将待交易数据上传到区块链上的卖家节点的步骤具体为：
将待交易数据对应的元数据存入区块链上卖家节点的星际文件系统（IPFS，InterPlanetary File System）中，并获取待交易数据的哈希值，然后服务器将哈希值写入智能合约并获取哈希值在智能合约中的下标，该下标具有唯一性，最后服务器结合待交易数据的下标和元数据向搜索引擎（Elasticsearch）提交数据，以构建适用于快速检索的倒排索引。
需要说明的是，若独特性指数小于独特性指数预设值，则返回错误信息。在卖家需要对已经上传到区块链的交易数据进行下架时，卖家先向系统提交需要下架的交易数据的请求，请求中包括交易数据对应的元数据信息，然后服务器查询 Elasticsearch 获得最匹配项的下标，服务器再向智能合约查询下标并获取存储的哈希值，调用IPFS服务验证元数据的正确性以及卖家是否为该交易数据的拥有者，若是，则依次删除Elasticsearch，IPFS和智能合约中的对应项，否则返回错误信息。
示例性的，待交易数据的独特性指数为4，大于独特性指数预设值3.5，则认为该待交易数据与区块链中交易数据之间的区别程度足够大，将该待交易数据上传到区块链的卖家节点。
值得一提的是，仅将独特性指数大于独特性指数预设值的待交易数据上传到区块链，能够保证待交易数据与其他所有交易数据之间的区别程度足够大，避免交易数据是区块链上已经交易过或待交易的数据，提高数据展示的合理性。
步骤13，基于卖家的历史交易数据、历史反馈数据、历史交易数据质量和历史交易记录获取卖家的信誉评分。
上述历史反馈数据为与卖家建立过交易关系的买家对卖家的评价数据。
在本申请的一些实施例中，上述基于卖家的历史交易数据、历史反馈数据、历史交易数据质量和历史交易记录获取卖家的信誉评分的步骤具体包括：
第一步，基于历史交易数据计算卖家的交易数据评分。
具体的，通过公式：
计算卖家的交易数据评分。
其中，和均表示权重系数，表示卖家的所有历史交易数据被引用的次数，表示卖家的所有历史交易数据中被引用的最大次数，表示卖家的历史交易数据发生错误的概率，表示卖家的历史交易数据发生错误的最大概率，表示卖家提交的历史交易数据对应的独特性指数大于等于独特性指数预设值的概率，表示卖家提交的历史交易数据对应的独特性指数大于等于独特性指数预设值的最大概率。
第二步，基于历史反馈数据获取卖家的评分后验概率。
具体的，通过公式：
计算卖家的评分后验概率。
其中，表示卖家接到的用户反馈，表示特定用户反馈，特定用户反馈为用户对卖家的历史反馈，表示卖家的基础信誉评分，表示在卖家的基础信誉评分的影响下卖家接到的用户反馈的概率，表示卖家的基础信誉评分的先验概率，表示卖家接到的用户反馈的总概率。
第三步，基于历史交易数据质量计算卖家的数据质量评分。
具体的，通过公式：
计算卖家的数据质量评分。
其中，和均表示权重，表示卖家的交易数据的准确性，表示卖家的交易数据的完整性，表示卖家的交易数据的最新性，表示卖家的交易数据的一致性。
第四步，基于历史交易记录获取卖家的交易模式评分。
具体的，首先从历史交易记录中获取卖家的交易特征向量。
其中，表示卖家的第1个交易特征，表示卖家的第2个交易特征，表示卖家的第个交易特征。
然后对多个卖家的交易特征向量进行聚类，得到多个聚类以及每个聚类对应的聚类中心。
分别针对每个聚类，计算聚类的聚类中心与其他聚类的聚类中心之间的距离，并判断所有距离的平均值是否大于预设距离。
若是，则将聚类标记为非正常。
否则，将聚类标记为正常。
然后通过公式：
计算卖家的特征向量与正常的聚类对应的聚类中心之间的距离。
其中，表示卖家的第个交易特征，，表示聚类中心的第个坐标。
再通过公式：
计算卖家的交易模式评分。
其中，为比例系数，表示距离阈值。
第五步，利用交易数据评分、评分后验概率、数据质量评分和交易模式评分对卖家进行评分，获取卖家的信誉评分。
具体的，通过公式：
计算卖家的信誉评分。
其中，和均表示权重参数。
需要说明的是，上述交易数据评分体现了卖家的历史交易数据被引用以及独特性指数大于独特性指数预设值的概率，评分后验概率体现了买家对卖家的评价数据，数据评分体现了卖家的待交易数据的质量，交易模式评分体现了卖家历史的交易过程是否异常。上述交易特征向量中的元素可以是交易频率、交易量、交易时间等特征。
示例性的，可以利用matlab、Mathematica等数据计算的计算机软件运行上述步骤，得到卖家的信誉评分。
值得一提的是，基于卖家的多方面的历史因素，能够对卖家进行全面地评价，得到的信誉评分精确性高。
步骤14，根据区块链的所有买家节点、所有交易数据构建第一图神经网络，并根据第一图神经网络获取每个交易数据的数据特征。
上述第一图神经网络中的多个用户节点与多个买家节点一一对应，多个数据节点与多个交易数据一一对应，每个用户节点和每个数据节点之间的边表示对应的买家节点和对应的交易数据之间的交互关系。
需要说明的是，在进行本步骤前，需要确定多个对曝光率有影响的特征，如：成交价格、交易频率、供求情况、用户搜索频率、用户地理位置等特征，可以通过计算每个特征与曝光率之间的皮尔森相关系数，将皮尔逊相关系数大的多个特征作为多个对曝光率有影响的特征。
在本申请的一些实施例中，上述第一图神经网络中用户节点的特征为搜索历史、购买历史、地理位置、偏好设置，数据节点的特征为统计信息、产品类别、市场需求程度，交互关系包括交互类型（如浏览、购买）、交互频率、交互时长，上述根据第一图神经网络获取每个交易数据的数据特征的步骤具体包括：
第一步，通过公式：
获取第个节点在第层的初始特征。
其中，第个节点为第一图神经网络中的用户节点或者数据节点，表示第个节点，表示第个节点在第一图神经网络中对应的节点的相邻节点集合，表示归一化常数，表示第个节点在第层的初始特征，表示激活函数，，表示在第一图神经网络中用户节点和数据节点的总数量，，表示第个节点的层数，表示第个节点在第层的初始特征。
第二步，分别针对每个交易数据，将交易数据在第一图神经网络中对应的节点在最后一层的初始特征作为交易数据的数据特征。
示例性的，可以利用matlab、Mathematica等数据计算的计算机软件运行上述步骤，构建第一图神经网络并获取每个交易数据的数据特征，第一图神经网络可以是图神经网络（GCN，Graph Convolutional Network）等网络模型。
值得一提的是，通过对区块链中所有买家节点对所有交易数据之间的交互关系进行分析，使得获取的数据特征具有全面性，同时第一图神经网络中的每个节点的特征包含了多方面的实际信息，使根据第一图神经网络得到的数据特征的真实性提高。
步骤15，基于所有数据特征，利用多任务模型预测每个交易数据的预测曝光率、预测点击率和预测用户满意度，并基于所有预测曝光率、预测点击率和预测用户满意度对多任务模型进行优化，得到优化后的多任务模型。
在本申请的一些实施例中，上述多任务模型可以为渐进分层提取的多任务学习模型（PLE，Progressive Layered Extraction），上述基于所有数据特征，利用多任务模型预测每个交易数据的预测曝光率、预测点击率和预测用户满意度，并基于所有预测曝光率、预测点击率和预测用户满意度对多任务模型进行优化，得到优化后的多任务模型的步骤具体为：
第一步，通过公式：
获取第个预测任务的预测结果矩阵。
其中，表示数据特征矩阵，，当时，第个预测任务为曝光率预测任务，预测结果矩阵为预测曝光率矩阵，当时，第个预测任务为点击率预测任务，预测结果矩阵为预测点击率矩阵，当时，第个预测任务为用户满意度预测任务，预测结果矩阵为预测用户满意度矩阵，表示第个预测任务的权重，表示第个预测任务的偏差，表示第个预测任务的激活函数；
第二步，通过公式：
计算多任务模型的损失函数值。
其中，表示第个预测任务的损失函数，表示第个预测任务的任务权重，表示第个预测任务的预测结果矩阵对应的真实值矩阵。
第三步，判断多任务模型的损失函数值是否小于等于损失函数预设值。
若是，则将多任务模型作为优化后的多任务模型。
否则，调整多任务模型中的参数，并返回基于所有数据特征，利用多任务模型预测每个交易数据的预测曝光率、预测点击率和预测用户满意度的步骤。
可以理解的是，上述获取第个预测任务的预测结果矩阵的公式可以理解为多任务模型的表达式。
示例性的，多任务模型的损失函数值为2.8，大于损失函数预设值1.5，说明此时的多任务模型的性能未达到预期，则调整多任务模型中的参数，并重新获取每个交易数据的预测曝光率、预测点击率和预测用户满意度，此时多任务模型的损失函数值为0.7，小于损失函数预设值1.5，说明此时多任务模型的性能达到预期，为优化后的多任务模型。
值得一提的是，和设置单个任务相比，设置多个任务并根据多个任务的结果计算的损失函数值能够更好地描述多任务模型的性能，进而基于损失函数值对多任务模型进行优化能够将多任务模型的性能提升至预期。
步骤16，根据区块链的所有买家节点、所有交易数据、待交易数据构建第二图神经网络，并利用第二图神经网络和优化后的多任务模型获取待交易数据的基础曝光率。
上述第二图神经网络中的多个用户节点与多个买家节点一一对应，多个数据节点与多个交易数据一一对应，待交易数据节点与待交易数据对应，每个用户节点和每个数据节点之间的边表示对应的买家节点和对应的交易数据之间的交互关系，每个用户节点和待交易数据节点之间的边表示对应的买家节点和待交易数据之间的交互关系。
在本申请的一些实施例中，上述第二图神经网络中用户节点的特征为搜索历史、购买历史、地理位置、偏好设置，数据节点和待交易数据节点的特征为统计信息、产品类别、市场需求程度，交互关系包括交互类型（如浏览、购买）、交互频率、交互时长，上述利用第二图神经网络和优化后的多任务模型获取待交易数据的基础曝光率具体为：
第一步，根据第二图神经网络获取待交易数据的数据特征。
具体的，通过公式：
获取待交易数据节点在第层的初始特征。
其中，表示第二图神经网络中的第个节点，表示第个节点在第二图神经网络中对应的节点的相邻节点集合，表示归一化常数，表示待交易数据节点在第层的初始特征，表示激活函数，，表示待交易数据节点的层数，表示第个节点在第层的初始特征。
第二步，将待交易数据节点在最后一层的初始特征作为待交易数据的数据特征。
第三步，将待交易数据的数据特征输入到优化后的多任务模型中，仅执行曝光率预测任务，得到待交易数据的基础曝光率。
示例性的，可以利用matlab等计算机软件构建第二图神经网络并运行上述优化后的多任务模型，获取待交易数据的基础曝光率，上述第二图神经网络可以是图神经网络（GCN，Graph Convolutional Network）等网络模型。
值得一提的是，优化后的多任务模型的性能高，因此利用性能高的多任务模型获取的待交易数据的基础曝光率的精确性高。
步骤17，根据待交易数据的基础曝光率和卖家的信誉评分计算待交易数据的最终曝光率。
具体的，通过公式：
计算待交易数据的最终曝光率。
其中，表示待交易数据的基础曝光率，表示调整因子，表示卖家的信誉评分，表示平均信誉评分。
示例性的，可以利用matlab、Mathematica等数据计算的计算机软件运行上述公式，计算得到待交易数的最终曝光率。
值得一提的是，根据精确性高的信誉评分以及基础曝光率获取的最终曝光率的合理性高，用户浏览到待交易数据的概率受最终曝光率影响，使质量高、市场需求高等正面因素多的待交易数据被展示的概率提高，进而提高交易质量。
步骤18，根据最终曝光率对待交易数据进行展示。
示例性的，待交易数据的最终曝光率比某交易数据的真实曝光率高，则待交易数据进行展示的时间比该交易数据的时间长、展示的次数比该交易数据的次数多，用户获取到待交易数据的信息的概率比获取到该交易数据的信息的概率高。
根据最终曝光率对待交易数据进行展示后，买家节点对展示的待交易数据进行浏览并通过区块链上的智能合约对待交易数据进行交易。
上述智能合约规定在交易时对待交易数据进行多段传输，待交易数据的每一段数据传输完成后，均需要参与交易的买家节点对已传输的数据进行确认，智能合约在交易结束后根据待交易数据的价格和已传输的数据向卖家节点结算费用。
在本申请的一些实施例中，上述买家节点可以为区块链的任一节点。上述通过区块链上的智能合约对待交易数据进行交易的步骤具体包括：
第一步，将待交易数据划分为多段数据。
第二步，将待交易数据的第一段数据作为当前数据。
第三步，将当前数据传输给进行交易的买家节点。
第四步，接收买家节点返回的数据确认消息，并判断当前数据是否为待交易数据的最后一段数据。
若是，则通过智能合约将待交易数据的交易费用结算给卖家节点。
上述交易费用是买家节点根据待交易数据的价格上传至智能合约的。
否则，将当前数据的下一段数据作为当前数据，并返回将当前数据传输给进行交易的买家节点的步骤。
需要说明的是，智能合约记录有多段数据的传输记录和已传输的每一段数据对应的交易费用。若多段数据未被全部传输给买家节点前交易结束，则智能合约根据传输记录向卖家节点传输已传输的每一段数据对应的交易费用。在进行本步骤前，买家需要选择感兴趣的交易数据作为待交易数据，具体的：买家在系统前端输入搜索关键字，然后前端通过API调用服务器，服务器进而调用Elasticsearch服务，利用先进的文本匹配算法获取与关键字匹配度递减排序的下标列表。如果列表非空，则证明系统有相关数据，服务器遍历列表查询智能合约获取IPFS哈希列表。服务器通过IPFS节点获取与哈希值对应的完整元数据列表，并返回给买方。买方根据返回的元数据信息和对应的价格，选择他们感兴趣的交易数据。
智能合约还定义了六种消息，每种消息由消息类型、数据载荷、买家或卖家的签名三个字段组成，具体包括：握手消息（HandShake），由买家节点发出，数据载荷字段为买家选择的交易数据对应的元数据，卖家节点收到握手消息后，若确认进行交易，则返回一个数据载荷字段为确认（true）的握手消息，表示待交易数据可以下载；订单消息（Order），由买家节点发出，数据载荷字段为订单号；数据消息（Data），由买家节点发出，数据载荷字段为待交易数据的数据；数据确认消息（ACK），由买家节点发出；终止消息（Exit），由买家节点和卖家节点发出；断点续传消息（Resume），由买家节点发出。
示例性的，买家节点发送握手消息，卖家节点收到握手消息后，根据握手消息的字段定位待交易数据对应的文件，并推导出买家节点的地址，然后卖家节点返回一个握手消息，买家节点收到握手消息后推导出卖家节点的地址，买家节点生成订单号和订单信息，并将订单号和订单信息写入智能合约，同时将交易费用押进智能合约，买家节点向卖家节点发送订单消息，卖家节点确认智能合约中的交易费用大于等于待交易数据的价格，则将待交易数据划分为多段数据，开始传输第一段数据到买家节点，买家确认第一段数据无误后，由买家节点返回数据确认消息，智能合约记录第一段数据的传输记录并记录第一段数据对应的交易费用，卖家节点再开始传输第二段数据，若第二段数据传输完并确认后，待交易数据的所有数据已传输完成，则结束交易，并将等于待交易数据的价格的交易费用传输到卖家节点。若在第二段数据传输前买家节点或卖家节点发出终止消息，则不再传输数据，并按照第一段数据所占待交易数据的比例向卖家节点传输交易费用。如第一段数据占待交易数据的30%，则向卖家节点传输30%的交易费用，并将剩余交易费用返回买家节点。
若交易过程中买家节点或卖价节点发生断连，则在重连后买家节点向卖方节点发送断点续传消息，卖家节点确认买家的身份并确认订单处于未完成状态，然后根据智能合约记录的传输记录继续进行数据传输。
值得一提的是，根据最终曝光率对待交易数据进行展示，能够合理地调整买家获取待交易数据的信息的概率，进而提高数据展示的合理性。
此外，基于智能合约进行交易能够让买家和卖家直接建立交易关系，提高交易效率，分段传输能够让买家对每段数据进行检查，尽可能保证买家的利益，同时智能合约将每一段数据对应的交易费用进行记录，保证了卖家的收益，提高交易的公平性。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于区块链的数据展示方法，其特征在于，包括：
基于卖家的待交易数据与区块链中的所有交易数据，计算所述待交易数据的独特性指数；所述独特性指数用于描述所述待交易数据与所述区块链中交易数据之间的区别程度；
判断所述独特性指数是否大于等于独特性指数预设值，若是，则将所述待交易数据上传到所述区块链上的卖家节点；
基于所述卖家的历史交易数据、历史反馈数据、历史交易数据质量和历史交易记录获取所述卖家的信誉评分；所述历史反馈数据为与所述卖家建立过交易关系的买家对所述卖家的评价数据；
根据所述区块链的所有买家节点、所有交易数据构建第一图神经网络，并根据所述第一图神经网络获取每个所述交易数据的数据特征；所述第一图神经网络中的多个用户节点与多个所述买家节点一一对应，多个数据节点与多个所述交易数据一一对应，每个用户节点和每个数据节点之间的边表示对应的买家节点和对应的交易数据之间的交互关系；
基于所有数据特征，利用多任务模型预测每个所述交易数据的预测曝光率、预测点击率和预测用户满意度，并基于所有预测曝光率、预测点击率和预测用户满意度对所述多任务模型进行优化，得到优化后的多任务模型；
根据所述区块链的所有买家节点、所有交易数据、所述待交易数据构建第二图神经网络，并利用所述第二图神经网络和所述优化后的多任务模型获取所述待交易数据的基础曝光率；所述第二图神经网络中的多个用户节点与多个所述买家节点一一对应，多个数据节点与多个所述交易数据一一对应，待交易数据节点与所述待交易数据对应，每个用户节点和每个数据节点之间的边表示对应的买家节点和对应的交易数据之间的交互关系，每个用户节点和所述待交易数据节点之间的边表示对应的买家节点和所述待交易数据之间的交互关系；
根据所述待交易数据的基础曝光率和所述卖家的信誉评分计算所述待交易数据的最终曝光率；
根据所述最终曝光率对所述待交易数据进行展示。
2.根据权利要求1所述的数据展示方法，其特征在于，所述基于卖家的待交易数据与区块链中的所有交易数据，计算所述待交易数据的独特性指数，包括：
基于所述区块链中的所有交易数据，获取所述待交易数据的多个近邻交易数据；
基于所述待交易数据的所有近邻交易数据，通过独特性指数计算公式计算所述待交易数据的独特性指数；
所述独特性指数计算公式为：
其中，表示待交易数据的独特性指数，表示所述待交易数据的特征向量，，表示所述待交易数据的近邻交易数据的集合，表示所述待交易数据的第1个近邻交易数据的特征向量，表示所述待交易数据的第2个近邻交易数据的特征向量，表示所述待交易数据的第个近邻交易数据的特征向量，表示所述待交易数据的第个近邻交易数据的特征向量，表示所述第个近邻交易数据与所述待交易数据之间的相似度：
其中，，表示所述第个近邻交易数据与所述待交易数据之间的杰卡德系数。
3.根据权利要求2所述的数据展示方法，其特征在于，所述基于所述区块链中的所有交易数据，获取所述待交易数据的多个近邻交易数据，包括：
若所述待交易数据为文档数据，则对所述文档数据进行文档标准化，并计算标准化后的文档数据的最小哈希签名；
将所述最小哈希签名转换为特征向量，并获取所述区块链中每个其他文档数据的特征向量；
基于所有其他文档数据的特征向量和所述文档数据的特征向量，利用LSH算法获取所述文档数据的多个近邻交易数据；
若所述待交易数据为表格数据，则对所述表格数据进行表格标准化，并获取标准化后的表格数据的特征向量；
获取所述区块链中每个其他表格数据的特征向量；
基于所有其他表格数据的特征向量和所述表格数据的特征向量，利用针对结构化数据的相似度算法获取所述表格数据的多个近邻交易数据；
若所述待交易数据为图像数据，则对所述图像数据进行图像标准化，并使用图像描述符获取标准化后的图像数据的特征向量；
获取所述区块链中每个其他图像数据的特征向量；
基于所有其他图像数据的特征向量和所述图像数据的特征向量，利用搜索算法获取所述图像数据的多个近邻交易数据。
4.根据权利要求1所述的数据展示方法，其特征在于，所述基于所述卖家的历史交易数据、历史反馈数据、历史交易数据质量和历史交易记录获取所述卖家的信誉评分，包括：
基于所述历史交易数据计算所述卖家的交易数据评分；
基于所述历史反馈数据获取所述卖家的评分后验概率；
基于所述历史交易数据质量计算所述卖家的数据质量评分；
基于所述历史交易记录获取所述卖家的交易模式评分；
利用所述交易数据评分、评分后验概率、数据质量评分和交易模式评分对所述卖家进行评分，获取所述卖家的信誉评分。
5.根据权利要求4所述的数据展示方法，其特征在于，所述基于所述历史交易数据计算所述卖家的交易数据评分，包括：
通过公式：
计算所述卖家的交易数据评分；
其中，、和均表示权重系数，表示所述卖家的所有历史交易数据被引用的次数，表示所述卖家的所有历史交易数据中被引用的最大次数，表示所述卖家的历史交易数据发生错误的概率，表示所述卖家的历史交易数据发生错误的最大概率，表示所述卖家提交的历史交易数据对应的独特性指数大于等于独特性指数预设值的概率，表示所述卖家提交的历史交易数据对应的独特性指数大于等于独特性指数预设值的最大概率；
所述基于所述历史反馈数据获取所述卖家的评分后验概率，包括：
通过公式：
计算所述卖家的评分后验概率；
其中，表示所述卖家接到的用户反馈，表示特定用户反馈，所述特定用户反馈为用户对所述卖家的历史反馈，表示所述卖家的基础信誉评分，表示在所述卖家的基础信誉评分的影响下所述卖家接到的用户反馈的概率，表示所述卖家的基础信誉评分的先验概率，表示所述卖家接到的用户反馈的总概率；
所述基于所述历史交易数据质量计算所述卖家的数据质量评分，包括：
通过公式：
计算所述卖家的数据质量评分；
其中，和均表示权重，表示所述卖家的交易数据的准确性，表示所述卖家的交易数据的完整性，表示所述卖家的交易数据的最新性，表示所述卖家的交易数据的一致性；
所述基于所述历史交易记录获取所述卖家的交易模式评分，包括：
从所述历史交易记录中获取所述卖家的交易特征向量；
其中，表示所述卖家的第1个交易特征，表示所述卖家的第2个交易特征，表示所述卖家的第个交易特征；
对多个卖家的交易特征向量进行聚类，得到多个聚类以及每个聚类对应的聚类中心；
分别针对每个聚类，计算所述聚类的聚类中心与其他聚类的聚类中心之间的距离，并判断所有距离的平均值是否大于预设距离；
若是，则将所述聚类标记为非正常；
否则，将所述聚类标记为正常；
通过公式：
计算所述卖家的特征向量与正常的聚类对应的聚类中心之间的距离；
其中，表示所述卖家的第个交易特征，，表示所述聚类中心的第个坐标；
通过公式：
计算所述卖家的交易模式评分；
其中，为比例系数，表示距离阈值；
所述利用所述交易数据评分、评分后验概率、数据质量评分和交易模式评分对所述卖家进行评分，获取所述卖家的信誉评分，包括：
通过公式：
计算所述卖家的信誉评分；
其中，和均表示权重参数。
6.根据权利要求1所述的数据展示方法，其特征在于，所述根据所述第一图神经网络获取每个所述交易数据的数据特征，包括：
通过公式：
获取第个节点在第层的初始特征；
其中，第个节点为所述第一图神经网络中的用户节点或者数据节点，表示第个节点，表示所述第个节点在所述第一图神经网络中对应的节点的相邻节点集合，表示归一化常数，表示所述第个节点在第层的初始特征，表示激活函数，，表示在所述第一图神经网络中用户节点和数据节点的总数量，，表示所述第个节点的层数，表示所述第个节点在第层的初始特征；
分别针对每个所述交易数据，将所述交易数据在所述第一图神经网络中对应的节点在最后一层的初始特征作为所述交易数据的数据特征。
7.根据权利要求6所述的数据展示方法，其特征在于，所述基于所有数据特征，利用多任务模型预测每个所述交易数据的预测曝光率、预测点击率和预测用户满意度，包括：
通过公式：
获取第个预测任务的预测结果矩阵；
其中，表示数据特征矩阵，，当时，所述第个预测任务为曝光率预测任务，预测结果矩阵为预测曝光率矩阵，当时，所述第个预测任务为点击率预测任务，预测结果矩阵为预测点击率矩阵，当时，所述第个预测任务为用户满意度预测任务，预测结果矩阵为预测用户满意度矩阵，表示所述第个预测任务的权重，表示所述第个预测任务的偏差，表示所述第个预测任务的激活函数；
所述基于所有预测曝光率、预测点击率和预测用户满意度对所述多任务模型进行优化，得到优化后的多任务模型，包括：
通过公式：
计算所述多任务模型的损失函数值；
其中，表示第个预测任务的损失函数，表示所述第个预测任务的任务权重，表示所述第个预测任务的预测结果矩阵对应的真实值矩阵；
判断所述多任务模型的损失函数值是否小于等于损失函数预设值；
若是，则将所述多任务模型作为所述优化后的多任务模型；
否则，调整所述多任务模型中的参数，并返回所述基于所有数据特征，利用多任务模型预测每个所述交易数据的预测曝光率、预测点击率和预测用户满意度的步骤。
8.根据权利要求1所述的数据展示方法，其特征在于，所述根据所述待交易数据的基础曝光率和所述卖家的信誉评分计算所述待交易数据的最终曝光率，包括：
通过公式：
计算所述待交易数据的最终曝光率；
其中，表示所述待交易数据的基础曝光率，表示调整因子，表示所述卖家的信誉评分，表示平均信誉评分。
9.根据权利要求1所述的数据展示方法，其特征在于，在所述根据所述最终曝光率对所述待交易数据进行展示的步骤后，所述数据展示方法还包括：
通过所述区块链上的智能合约对所述待交易数据进行交易；
所述智能合约规定在交易时对所述待交易数据进行多段传输，所述待交易数据的每一段数据传输完成后，均需要参与交易的买家节点对已传输的数据进行确认，所述智能合约在交易结束后根据已传输的数据向所述卖家节点结算费用。
10.根据权利要求9所述的数据展示方法，其特征在于，所述通过所述区块链上的智能合约对所述待交易数据进行交易，包括：
将所述待交易数据划分为多段数据；
将所述待交易数据的第一段数据作为当前数据；
将所述当前数据传输给进行交易的买家节点；
接收买家节点返回的数据确认消息，并判断所述当前数据是否为所述待交易数据的最后一段数据；
若是，则通过所述智能合约将所述待交易数据的交易费用结算给所述卖家节点；所述交易费用是所述买家节点根据所述待交易数据的价格上传至所述智能合约的；
否则，将所述当前数据的下一段数据作为所述当前数据，并返回所述将所述当前数据传输给进行交易的买家节点的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410781795.8A CN118365427B (zh) | 2024-06-18 | 2024-06-18 | 一种基于区块链的数据展示方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410781795.8A CN118365427B (zh) | 2024-06-18 | 2024-06-18 | 一种基于区块链的数据展示方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118365427A CN118365427A (zh) | 2024-07-19 |
| CN118365427B true CN118365427B (zh) | 2024-09-06 |
Family
ID=91885882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410781795.8A Active CN118365427B (zh) | 2024-06-18 | 2024-06-18 | 一种基于区块链的数据展示方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118365427B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118467643A (zh) * | 2024-07-11 | 2024-08-09 | 中南大学 | 一种基于区块链的数据共享方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116743768A (zh) * | 2023-08-14 | 2023-09-12 | 亚信科技（中国）有限公司 | 算力资源交易方法、装置、设备和计算机可读存储介质 |
| CN117333233A (zh) * | 2023-10-16 | 2024-01-02 | 广州航海学院 | 一种基于ai的目标导向电子商务广告推送方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10903989B2 (en) * | 2019-08-30 | 2021-01-26 | Advanced New Technologies Co., Ltd. | Blockchain transaction processing method and apparatus |
| KR20220061296A (ko) * | 2020-11-05 | 2022-05-13 | 한국철도기술연구원 | 블록체인 기반의 철도 위험물 컨테이너 추적 관리 시스템 및 그 방법 |
| CN115222433A (zh) * | 2021-04-16 | 2022-10-21 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置及存储介质 |
| CN113723954A (zh) * | 2021-06-15 | 2021-11-30 | 复旦大学 | 一种对区块链中异常交易节点进行检测和监管的方法 |
| CN114372803A (zh) * | 2021-12-14 | 2022-04-19 | 同济大学 | 一种基于交易图谱的快速反洗钱检测方法 |
| US20240062041A1 (en) * | 2022-08-12 | 2024-02-22 | Mastercard International Incorporated | Graph neural network based methods and systems for fraud detection in electronic transactions |
| CN117557265A (zh) * | 2023-10-31 | 2024-02-13 | 天津理工大学 | 一种基于图神经网络的区块链交易行为预测方法 |
-
2024
- 2024-06-18 CN CN202410781795.8A patent/CN118365427B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116743768A (zh) * | 2023-08-14 | 2023-09-12 | 亚信科技（中国）有限公司 | 算力资源交易方法、装置、设备和计算机可读存储介质 |
| CN117333233A (zh) * | 2023-10-16 | 2024-01-02 | 广州航海学院 | 一种基于ai的目标导向电子商务广告推送方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118365427A (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118365427B (zh) | 一种基于区块链的数据展示方法 | |
| Niu et al. | Online pricing with reserve price constraint for personal data markets | |
| GB2547395A (en) | User maintenance system and method | |
| WO2009094672A2 (en) | Belief propagation for generalized matching | |
| CN112766318B (zh) | 业务任务执行方法、装置以及计算机可读存储介质 | |
| CN110070430A (zh) | 评估还款风险的方法及装置、存储介质、电子设备 | |
| Zhang et al. | A framework for trust modeling in multiagent electronic marketplaces with buying advisors to consider varying seller behavior and the limiting of seller bids | |
| CN114549142B (zh) | 一种线上竞价拍卖信息处理方法及系统 | |
| KR102453549B1 (ko) | 인공지능과 빅데이터를 이용하여 자동 트레이딩 봇을 지원하는 주식 거래 플랫폼 서버 및 이의 동작 방법 | |
| CN111626767A (zh) | 资源数据的发放方法、装置及设备 | |
| CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
| CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
| KR102012564B1 (ko) | 주식 정보 제공 방법 | |
| CN110544165B (zh) | 一种信用风险评分卡创建方法、装置及电子设备 | |
| CN112348590A (zh) | 一种物品价值确定方法、装置、电子设备和存储介质 | |
| CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
| CN110163701A (zh) | 推送信息的方法和装置 | |
| CN114298825A (zh) | 还款积极度评估方法及装置 | |
| CN112148880A (zh) | 一种客服对话语料聚类方法、系统、设备及存储介质 | |
| CN112231546A (zh) | 异构文档的排序方法、异构文档排序模型训练方法及装置 | |
| Chen et al. | Social-network-assisted task recommendation algorithm in mobile crowd sensing | |
| KR102598867B1 (ko) | 인공지능을 활용하여 재고 비용을 예측함으로써 판매 가격을 결정하는 방법 및 이를 수행하는 가격 결정 시스템 | |
| CN114419448B (zh) | 一种基于流拍商品的智能分析方法及系统 | |
| CN113158026B (zh) | 物品分发方法、电子设备和存储介质 | |
| US11989243B2 (en) | Ranking similar users based on values and personal journeys |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |