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。