一种律师评价数据处理方法

一种律师评价数据处理方法
【专利摘要】本发明提供了一种律师评价数据处理方法，其中，该方法包括：接收用户终端发送的律师评价数据的获取请求；根据律师的标识信息，查询律师的学术信息、执业信息以及律师得到的用户满意度信息；根据查询到的律师的学术信息、执业信息以及律师得到的用户满意度信息生成律师的律师评价数据；将生成的律师评价数据发送给用户终端以进行展示。本发明提供的律师评价数据处理方法，可以使用户可以直观了解律师的业务水平。
【专利说明】
一种律师评价数据处理方法
技术领域
[0001 ]本发明涉及数据处理技术领域，具体而言，涉及一种律师评价数据处理方法。
【背景技术】
[0002] 随着国家对依法治国理念的不断宣传，法治理念不断深入人心，当人与人之间出 现纠纷时，当事人往往都会想到通过寻找律师，并向律师咨询或委托律师处理与纠纷相关 的法律事宜，来保证自己的合法权益。
[0003] 相关技术中，用户在寻找律师的过程中，可以去律所直接找到熟悉纠纷相关法律 的律师进行咨询，而律所往往会向用户推荐律师，让用户和律所推荐的律师进行纠纷相关 业务的往来;用户也可以通过网络上的律师在线平台，根据律师在线平台上律师的介绍，选 择熟悉纠纷相关法律的律师进行纠纷相关业务的往来。
[0004] 在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
[0005] 用户在寻找律师咨询法律事宜的过程中，无法客观地取得律所为其推荐的律师的 水平，有可能该律师的实际专业水平较低，不能满足用户的需求甚至给用户造成损失;而用 户通过律师在线平台选择律师时，也只能通过预设律师的单方面的主观介绍，来对律师的 专长进行初步了解，但仍然不能掌握律师的真实、客观的办案水平；因此，无论是用户自己 主动找律师还是通过网络上的律师在线平台律师，都无法省时、省力、精准的找到匹配用户 需求的律师。

【发明内容】

[0006] 有鉴于此，本发明实施例的目的在于提供一种律师评价数据处理方法，以使用户 可以直观了解律师的业务水平。
[0007] 第一方面，本发明实施例提供了一种律师评价数据处理方法，包括：
[0008] 接收用户终端发送的律师评价数据的获取请求，其中，所述获取请求携带有律师 的标识信息，所述律师评价数据根据所述律师的学术信息、执业信息以及所述律师得到的 用户满意度信息生成；
[0009] 根据所述律师的标识信息，查询所述律师的学术信息、执业信息以及所述律师得 到的用户满意度信息；
[0010] 根据查询到的所述律师的学术信息、执业信息以及所述律师得到的用户满意度信 息生成所述律师的律师评价数据；
[0011]将生成的所述律师评价数据发送给所述用户终端以进行展示。
[0012] 结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中：所 述方法还包括：
[0013] 获取用户终端发送的律师信息编辑请求，其中，所述律师信息编辑请求携带有律 师的标识信息和律师的第一人脸图像；
[0014] 根据所述律师的标识信息，查询出预存的所述律师的第二人脸图像；
[0015] 将所述律师的第一人脸图像划分为多个图像区域；
[0016] 从多个所述图像区域中，分别选择k个图像区域进行拼接，得到多个人脸子图像，其中， 多个所述图像区域由所述第一人脸图像自上而下平均划分得至L
m表示所述第一人脸图像划分的图像区域数量；
[0017] 对得到的所述多个人脸子图像以及所述第二人脸图像进行深度学习，得到所述第 一人脸图像和所述第二人脸图像的特征差值图；
[0018] 对得到的所述特征差值图进行深度学习，得到所述第一人脸图像和所述第二人脸 图像的比对结果；
[0019] 当得到所述第一人脸图像和所述第二人脸图像相似的对比结果时，向所述用户终 端发送眼球运动提示信息，使得用户根据所述用户终端上显示的所述眼球运动提示信息进 行眼球运动；
[0020] 获取用户进行眼球运动时的多张眼球运动图像；
[0021] 从得到的所述用户的多张眼球运动图像中，获取所述用户的眼睛的注视点的运动 轨迹；
[0022] 当根据获取到的眼睛的注视点的运动轨迹，确定所述用户的眼睛是按照眼球运动 提示信息的提示进行的运动时，允许用户通过所述用户终端对所述律师的学术信息、执业 信息以及所述律师得到的用户满意度信息进行编辑。
[0023] 结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中：对 得到的所述多个人脸子图像以及所述第二人脸图像进行深度学习，得到所述第一人脸图像 和所述第二人脸图像的特征差值图包括：
[0024] 对多个所述人脸子图像和所述第二人脸图像进行深度学习，得到多个第一人脸图 像特征图和第二人脸图像特征图；
[0025] 以预设的像素点坐标集合中存储的各像素点坐标为特征值区域中心，按照预设的 特征值区域尺寸，分别将当前第一人脸图像特征图和所述第二人脸图像特征图划分为多个 第一特征值区域和多个第二特征值区域；
[0026] 从所述多个第一特征值区域和所述多个第二特征值区域中分别获取特征最大值；
[0027] 计算分别从具有相同特征值区域中心的第一特征值区域和第二特征值区域中获 取的特征最大值的差，得到多个特征差值；
[0028] 以所述多个特征差值为像素值，按照预设的特征差值图尺寸，生成所述当前第一 人脸图像特征图和所述第二人脸图像特征图的特征差值图。
[0029] 结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中：对 得到的所述特征差值图进行深度学习，得到所述第一人脸图像和所述第二人脸图像的比对 结果，包括：
[0030] 对得到的每个特征差值图进行深度学习，得到每个所述特征差值图对应的人脸子 图像与所述第二人脸图像的相似参数；
[0031] 确定最大的相似参数作为所述第一人脸图像与所述第二人脸图像的相似度；
[0032] 当所述相似度大于等于设定的相似度阈值时，得到所述第一人脸图像与所述第二 人脸图像相似的比对结果。
[0033] 结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中：从 得到的所述用户的多张眼球运动图像中，获取所述用户的眼睛的注视点的运动轨迹，包括：
[0034] 对得到的所述多张眼球运动图像中的每张眼球运动图像分别进行眼睛定位，并从 定位后的所述每张眼球运动图像中截取所述每张眼球运动图像的眼睛子图像；
[0035] 从所述每张眼球运动图像的眼睛子图像中分别提取所述眼睛的虹膜图像和/或瞳 孔图像；
[0036] 根据从每张所述眼球运动图像中提取的所述虹膜图像和/或所述瞳孔图像，计算 眼睛在所述多张眼球运动图像中之间的相对位移，并根据计算得到的所述相对位移确定所 述眼睛的注视点的运动轨迹。
[0037] 结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中：根 据获取到的眼睛的注视点的运动轨迹，确定所述用户的眼睛是按照眼球运动提示信息的提 示进行的运动，包括以下方式之一：
[0038] 当确定所述用户的眼睛的注视点对准了目标基准物体时，确定所述用户的眼睛是 按照眼球运动提示信息的提示进行的运动，其中，所述目标基准物体，是通过所述眼球运动 提示信息预先向用户提示需注视的物体；
[0039]当确定所述用户的眼睛的注视点的运动轨迹与用户终端上显示的所述目标基准 物体的运动轨迹一致时，确定所述用户的眼睛是按照所述眼球运动提示信息的提示进行的 运动。
[0040] 结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中：根 据查询到的所述律师的学术信息、执业信息以及所述律师得到的用户满意度信息生成所述 律师的律师评价数据，包括：
[0041] 根据所述律师的学术信息中记录的所述律师的学历信息、院校任教信息和发表文 章数量信息，得到所述律师评价数据中的学术指标；
[0042 ]根据所述律师的执业信息中记录的所述律师的执业年限信息、承办案件的总体数 量信息以及承办案件的办案质量信息，得到所述律师评价数据中的执业指标，其中，所述办 案质量信息包括:所述律师承办诉讼案件的胜诉率和承办非诉讼案件的成功率；
[0043] 根据所述律师得到的用户满意度信息中记录的好评数量信息和评价客户数量信 息，得到所述律师评价数据中的满意度指标。
[0044] 结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中：根 据查询到的所述律师的学术信息、执业信息以及所述律师得到的用户满意度信息生成所述 律师的律师评价数据，还包括：
[0045] 获取所述律师在预设的各承办案件类型下所承办案件的数量信息和各承办案件 类型下所承办案件的办案质量信息，其中，所述承办案件类型，包括:合同法类型、婚姻法类 型、侵权法类型、收购兼并类型、投融资类型和股票上市类型；
[0046] 根据获取到的所述律师在预设的各承办案件类型下所承办案件的数量信息和各 承办案件类型下所承办案件的办案质量信息生成所述律师评价数据中的专业指标。
[0047] 结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中：根 据所述律师的学术信息中记录的所述律师的学历信息、院校任教信息和发表文章数量信 息，得到所述律师评价数据中的学术指标，包括：
[0048] 根据预设的学历-分数对应关系表中记录的学历与分数的对应关系、院校任教职 称-分数对应关系表中记录的学历与分数的对应关系、以及发表文章数量-分数对应关系表 中记录的学历与分数的对应关系，分别确定所述律师的所述学历信息、所述院校任教信息 和所述发表文章数量信息所对应的分数；
[0049] 通过对得到的学历信息的分数、院校任教信息的分数和发表文章数量信息的分数 进行计算，生成律师评价数据中的学术指标。
[0050] 结合第一方面，本发明实施例提供了第一方面的第九种可能的实施方式，其中：根 据所述律师的执业信息中记录的所述律师的执业年限信息、承办案件的总体数量信息以及 承办案件的办案质量信息，得到所述律师评价数据中的执业指标，包括：
[0051] 根据预设的执业年限信息-分数对应关系表中记录的执业年限与分数的对应关 系，确定律师的执业年限信息的分数；
[0052]根据预设的承办诉讼案件数量-分数对应关系表中记录的案件承办数量与分数的 对应关系，确定所述律师承办诉讼案件的分数；
[0053]当确定所述律师承办诉讼案件的分数大于等于预设分数时，获取所述律师承办案 件的胜诉率信息；
[0054]当根据获取到的所述胜诉率信息，确定所述律师代理原告的胜率大于预设的第一 胜率阈值且代理被告的胜率大于预设的第二胜率阈值时，通过预设的第一数值对所述律师 承办诉讼案件的分数进行增量操作；
[0055] 当根据获取到的所述胜诉率信息，确定所述律师代理原告的胜率大于预设的第一 胜率阈值或者代理被告的胜率大于预设的第二胜率阈值时，通过预设的第二数值对所述律 师承办诉讼案件的分数进行增量操作，其中，预设的第一数值大于预设的第二数值；
[0056] 根据预设的所述律师承办非诉讼案件数量-分数对应关系表中记录的案件承办数 量与分数的对应关系，确定所述律师承办非诉讼案件的分数；
[0057] 当所述律师承办非诉讼案件的分数大于等于预设分数时，通过获取到的所述成功 率信息，判断所述律师承办非诉讼案件的成功率是否大于预设的成功率阈值；
[0058] 如果是，通过预设的第二数值对所述律师承办非诉讼案件的分数进行增量操作；
[0059] 通过对得到的执业年限信息的分数、所述律师承办诉讼案件的分数以及所述律师 承办非诉讼案件的分数进行计算，得到律师评价数据中的执业指标。
[0060] 本发明实施例提供的律师评价数据处理方法，当接收到用户终端发送的律师评价 数据的获取请求时，根据获取请求中携带的律师的标识信息，查询出与该标识信息相对应 的律师的学术信息、执业信息以及律师得到的用户满意度信息，并根据查询到的律师的学 术信息、执业信息以及律师得到的用户满意度信息生成律师的律师评价数据，最后将生成 的律师评价数据发送到用户终端，从而通过用户终端向用户展示律师评价数据，与现有技 术中用户无法在律所或网络直接了解律师的办案水平相比，使得用户可以通过律师评价数 据，对律师的专业水平进行直观的了解，从而使得用户在选择律师时可以省时、省力、精准 的找到适合用户自己的律师，大大降低了选择专业水平较低或与自身需求不匹配的律师的 可能性。
[0061] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合 所附附图，作详细说明如下。
【附图说明】
[0062] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附 图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对 范围的限定，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 些附图获得其他相关的附图。
[0063] 图1示出了本发明实施例所提供的律师评价数据处理方法的应用环境示意图； [0064]图2示出了本发明实施例所提供的律师评价数据处理方法中处理用户信息的用户 终端的结构示意图；
[0065]图3示出了本发明实施例所提供的律师评价数据处理方法的执行主体服务器的结 构示意图；
[0066]图4示出了本发明实施例所提供的一种律师评价数据处理方法方法的流程图。
【具体实施方式】
[0067] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅 是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实 施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的 实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实 施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所 有其他实施例，都属于本发明保护的范围。
[0068] 本发明实施例所提供的律师评价数据处理方法可应用于如图1所示的应用环境 中。如图1所示，用户终端100、服务器200位于无线网络或有线网络300中，通过该无线网络 或有线网络300,用户终端100与服务器200进行数据交互。
[0069] 于本发明实施例中，用户终端100优选为移动终端设备，例如可以包括智能手机、 平板电脑、膝上型便携计算机、车载电脑、穿戴式移动终端等等，当然也可以使用个人计算 机（Personal Computer，PC)。
[0070] 图2示出了一种可应用于本发明实施例中的用户终端的结构框图。如图2所示，用 户终端100包括存储器102、存储控制器104,一个或多个(图中仅示出一个)处理器106、外设 接口 108、射频模块110、音频模块112、触控屏幕114等。这些组件通过一条或多条通讯总线/ 信号线116相互通讯。
[0071] 存储器102可用于存储软件程序以及模块，如本发明实施例中的律师评价数据处 理方法对应的程序指令/模块，处理器106通过运行存储在存储器102内的软件程序以及模 块，从而执行各种功能应用以及数据处理，如本发明实施例提供的律师评价数据处理方法。
[0072] 存储器102可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁 性存储装置、闪存、或者其他非易失性固态存储器。处理器106以及其他可能的组件对存储 器102的访问可在存储控制器104的控制下进行。
[0073] 外设接口 108将各种输入/输出装置耦合至处理器106以及存储器102。在一些实施 例中，外设接口 108，处理器106以及存储控制器104可以在单个芯片中实现。在其他一些实 例中，他们可以分别由独立的芯片实现。
[0074] 射频模块110用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与 通讯网络或者其他设备进行通讯。
[0075] 音频模块112向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬 声器以及音频电路。
[0076] 触控屏幕114在用户终端100与用户之间同时提供一个输出及输入界面。具体地， 触控屏幕114向用户显示视频输出，这些视频输出的内容可包括文字、图形、视频、及其任意 组合。
[0077]可以理解，图2所示的结构仅为示意，用户终端100还可包括比图2中所示更多或者 更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其 组合实现。
[0078] 图3示出了一种可应用于本发明实施例中的服务器的结构框图。如图3所示，服务 器200包括:存储器201、处理器202以及网络模块203。
[0079] 存储器201可用于存储软件程序以及模块，如本发明实施例中的律师评价数据处 理方法对应的程序指令/模块，处理器202通过运行存储在存储器201内的软件程序以及模 块，从而执行各种功能应用以及数据处理，即实现本发明实施例中的律师评价数据处理方 法。存储器201可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存 储装置、闪存、或者其他非易失性固态存储器。进一步地，上述软件程序以及模块还可包括： 操作系统221以及服务模块222。其中操作系统221，例如可为1^祖^、1^1乂、11冊013，其可包 括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱 动，并可与各种硬件或软件组件相互通讯，从而提供其他软件组件的运行环境。服务模块 222运行在操作系统221的基础上，并通过操作系统221的网络服务监听来自网络的请求，根 据请求完成相应的数据处理，并返回处理结果给客户端。也就是说，服务模块222用于向客 户端提供网络服务。
[0080] 网络模块203用于接收以及发送网络信号。上述网络信号可包括无线信号或者有 线信号。
[0081] 可以理解，图3所示的结构仅为示意，服务器200还可包括比图3中所示更多或者更 少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组 合实现。另外，本发明实施例中的服务器还可以包括多个具体不同功能的服务器。
[0082] 于本发明实施例中，用户终端100中安装有客户端，该客户端可以是浏览器也可以 是第三方应用软件，与服务器(Server)端相对应，为用户提供服务，例如展示律师评价数据 的服务。
[0083]相关技术中，用户在寻找律师咨询法律事宜的过程中，无法客观地取得律所为其 推荐的律师的水平，有可能该律师的实际专业水平较低，不能满足用户的需求甚至给用户 造成损失；而用户通过律师在线平台选择律师时，也只能通过预设律师的单方面的主观介 绍，来对律师的专长进行初步了解，但仍然不能掌握律师的真实、客观的办案水平；因此，无 论是用户自己主动找律师还是通过网络上的律师在线平台律师，都无法省时、省力、精准的 找到匹配用户需求的律师基于此，本申请提供的一种律师评价数据处理方法。
[0084] 实施例：
[0085] 本实施例提供一种律师评价数据处理方法，本实施例的执行主体是服务器，当接 收到用户终端发送的律师评价数据的获取请求时，根据获取请求中携带的律师的标识信 息，查询出与该标识信息相对应的律师的学术信息、执业信息以及律师得到的用户满意度 信息，并根据查询到的律师的学术信息、执业信息以及律师得到的用户满意度信息生成律 师的律师评价数据，最后将生成的律师评价数据发送到用户终端。
[0086] 参见图4所示的本实施例提供的一种律师评价数据处理方法的流程图，该方法包 括以下步骤：
[0087]步骤400、接收用户终端发送的律师评价数据的获取请求。
[0088] 其中，获取请求携带有律师的标识信息，上述律师评价数据根据律师的学术信息、 执业信息以及律师得到的用户满意度信息生成。
[0089] 上述律师的标识信息，是服务器上预先存储的可以唯一标识律师的信息，是律师 在服务器注册后，服务器向注册成功的律师分配的。
[0090] 用户通过用户终端登录到服务器后，会根据自己的喜好点击预设在律师展示界面 上的律师姓名或者律师头像以了解相关律师的资料，从而向服务器发送律师评价数据的获 取请求，使得服务器在通过用户终端向用户展示律师的资料的同时，可以将该律师的律师 评价数据也显示在用户终端上，使得用户通过律师评价数据，对律师的专业水平进行直观 的了解。
[0091] 在本实施方式中，当确定用户通过用户终端选择律师姓名或者律师头像时，用户 终端会根据预先设定的律师姓名或者律师头像与律师的标识信息的对应关系，确定用户将 要查看资料的律师的标识信息，并根据律师的标识信息生成律师评价数据的获取请求，然 后将生成的律师评价数据的获取请求发送到服务器，使得服务器根据接收到的律师评价数 据的获取请求在服务器的存储器中预先存储的律师信息集合中查询与该标识信息相对应 的律师信息。
[0092]步骤402、根据律师的标识信息，查询律师的学术信息、执业信息以及律师得到的 用户满意度信息。
[0093]在上述步骤402中，服务器从存储的律师信息中查询律师的学术信息、执业信息以 及律师得到的用户满意度信息。
[0094] 在一个实施方式中，律师的学术信息，包括但不限于:学历信息、院校任教信息和 发表文章数量信息。
[0095] 律师的执业信息，包括但不限于:执业年限信息、承办案件的总体数量信息以及承 办案件的办案质量信息。
[0096] 用户满意度信息，是律师为用户进行法律服务后，用户通过用户终端对该律师的 点评打分。
[0097] 上述点评打分，可以采用5分制，由用户根据自己在接受法律服务过程中的感受， 对律师进行打分，其中，在点评打分中，5分是满分，所以当律师得到的点评打分的分数越 高，说明用户对律师所提供的法律服务的满意度就越高。
[0098] 其中，上述律师的学术信息是律师自己输入服务器的数据，服务器会对律师输入 的学术信息进行存储，作为律师信息的一部分。
[0099] 而律师的执业信息和用户满意度信息，作为师信息的另一部分，也会记录到律师 信息中。
[0100] 上述律师的执业信息中的执业年限信息，是服务器通过律师协会查询到律师的执 业证号和起始执业时间所确定的信息;而律师的执业信息中记录的该律师的承办案件的总 体数量信息以及承办案件的办案质量信息，是律所相关工作人员根据案件的办理情况录入 到服务器中的，在录入的过程中律师不能对自己所承办案件的状态进行编辑和修改，所以 律师的执业信息中记录的该律师的承办案件的总体数量信息以及承办案件的办案质量信 息可信度较高，可以对用户选择律师作出指导。
[0101] 在律所相关工作人员将案件的办理情况录入到服务器时，还会将律师所承办案件 的案件信息也一起录入到服务器中，比如:承办案件类型以及承办案件的当事人等案件信 息。
[0102] 步骤404、根据查询到的律师的学术信息、执业信息以及律师得到的用户满意度信 息生成律师的律师评价数据。
[0103] 在一个实施方式中，上述步骤404包括以下具体步骤(1)至步骤(3):
[0104] (1)根据律师的学术信息中记录的律师的学历信息、院校任教信息和发表文章数 量信息，得到律师评价数据中的学术指标；
[0105] (2)根据律师的执业信息中记录的律师的执业年限信息、承办案件的总体数量信 息以及承办案件的办案质量信息，得到律师评价数据中的执业指标，其中，上述办案质量信 息包括:律师承办诉讼案件的胜诉率和承办非诉讼案件的成功率；
[0106] (3)根据律师得到的用户满意度信息中记录的好评数量信息和评价客户数量信 息，得到律师评价数据中的满意度指标。
[0107] 在上述步骤1中，具体包括以下步骤(11)至步骤(12):
[0108] (11)根据预设的学历-分数对应关系表中记录的学历与分数的对应关系、院校任 教职称-分数对应关系表中记录的学历与分数的对应关系、以及发表文章数量-分数对应关 系表中记录的学历与分数的对应关系，分别确定律师的学历信息、院校任教信息和发表文 章数量信息所对应的分数；
[0109] (12)通过对得到的学历信息的分数、院校任教信息的分数和发表文章数量信息的 分数进行计算，生成律师评价数据中的学术指标。
[0110]步骤12将学历信息、院校任教信息和发表文章数量信息的分数进行计算，生成律 师评价数据中的学术指标，包括以下步骤(121)至步骤(122):
[0111] (121)计算学历信息、院校任教信息和发表文章数量信息的分数的平均值；
[0112] (122)对得到的平均值进行向下取整操作，得到作为学术指标的数值。
[0113] 具体地，学历-分数对应关系表包括:本科学历或学位与1分的对应关系;硕士学历 或学位与2分的对应关系;博士学历或学位与3分的对应关系。
[0114] 院校任教职称-分数对应关系表包括:讲师级与1分的对应关系;副教授级与2分的 对应关系;教授级与3分的对应关系。
[0115] 发表文章数量-分数对应关系表包括:相关刊物发表三篇以下文章与1分的对应关 系；相关刊物发表三至五篇文章与2分的对应关系；相关刊物发表五篇及以上文章与3分的 对应关系。
[0116] 上述院校任教职称，是指律师在法律类院校任职的职称。
[0117] 在上述步骤2中，具体包括以下步骤(21)至步骤(29):
[0118] (21)根据预设的执业年限信息-分数对应关系表中记录的执业年限与分数的对应 关系，确定律师的执业年限信息的分数；
[0119] (22)根据预设的承办诉讼案件数量-分数对应关系表中记录的案件承办数量与分 数的对应关系，确定律师承办诉讼案件的分数；
[0120] (23)当确定律师承办诉讼案件的分数大于等于预设分数时，获取律师承办案件的 胜诉率彳目息；
[0121] (24)当根据获取到的胜诉率信息，确定律师代理原告的胜率大于预设的第一胜率 阈值且代理被告的胜率大于预设的第二胜率阈值时，通过预设的第一数值对律师承办诉讼 案件的分数进行增量操作；
[0122] (25)当根据获取到的胜诉率信息，确定律师代理原告的胜率大于预设的第一胜率 阈值或者代理被告的胜率大于预设的第二胜率阈值时，通过预设的第二数值对律师承办诉 讼案件的分数进行增量操作，其中，预设的第一数值大于预设的第二数值；
[0123] (26)根据预设的律师承办非诉讼案件数量-分数对应关系表中记录的案件承办数 量与分数的对应关系，确定律师承办非诉讼案件的分数；
[0124] (27)当律师承办非诉讼案件的数量信息的分数大于等于预设分数时，通过获取到 的成功率信息，判断律师承办非诉讼案件的成功率是否大于预设的第三胜率阈值，如果是 则执行步骤28，如果否则执行步骤29;
[0125] (28)通过预设的第二数值对律师承办非诉讼案件的分数进行增量操作；
[0126] (29)通过对得到的执业年限信息的分数、律师承办诉讼案件的分数以及律师承办 非诉讼案件的分数进行计算，得到律师评价数据中的执业指标。
[0127] 在上述步骤24、25和28中，通过预设的数值对律师承办诉讼案件/非诉讼案件的分 数进行增量操作是指:在当前律师承办诉讼案件/非诉讼案件的分数的基础上，加上预设的 第一数值或者预设的第二数值，得到最终的律师承办诉讼案件/非诉讼案件的分数。
[0128] 其中，在步骤29所描述的计算过程，与上述步骤121至步骤122所描述的计算过程 类似，这里不再一一赘述。
[0129] 具体地，执业年限信息-分数对应关系表包括：5年以下执业年限与1分的对应关 系;5年至10年执业年限与2分的对应关系;执业年限10年以上与3分的对应关系。
[0130] 承办诉讼案件数量-分数对应关系表包括:20件以下案件数量与1分的对应关系； 20件至100件案件数量与2分的对应关系；100件以上案件数量与3分的对应关系。
[0131] 承办非诉讼案件数量-分数对应关系表包括：20件以下案件数量与1分的对应关 系;20件至50件案件数量与2分的对应关系;50件以上案件数量与3分的对应关系。
[0132] 在上述步骤3中，包括以下具体步骤(30)至步骤(32):
[0133] (30)获取该律师得到的用户满意度信息中记录的好评数量信息和评价客户数量 信息；
[0134] (31)通过好评数量信息中记录的好评数量除以客户数量信息中记录的客户数量， 得到满意度计算结果；
[0135] (32)对得到的满意度计算结果进行向下取整操作，得到作为满意度指标的数值。
[0136] 当得到律师评价数据中的学术指标、执业指标以及满意度指标之后，服务器会分 别将具有不同分值的学术指标、执业指标以及满意度指标通过预设的不同颜色的星星图案 表示出来。
[0137] 步骤406、将生成的律师评价数据发送给用户终端以进行展示。
[0138] 综上所述，本实施例提供的律师评价数据处理方法，当接收到用户终端发送的律 师评价数据的获取请求时，根据获取请求中携带的律师的标识信息，查询出与该标识信息 相对应的律师的学术信息、执业信息以及律师得到的用户满意度信息，并根据查询到的律 师的学术信息、执业信息以及律师得到的用户满意度信息生成律师的律师评价数据，最后 将生成的律师评价数据发送到用户终端，从而通过用户终端向用户展示律师评价数据，与 现有技术中用户无法在律所或网络直接了解律师的办案水平相比，使得用户可以通过律师 评价数据，对律师的专业水平进行直观的了解，从而使得用户在选择律师时可以省时、省 力、精准的找到适合用户自己的律师，大大降低了选择专业水平较低或与自身需求不匹配 的律师的可能性。
[0139] 相关技术中，用户并不能通过律所的介绍或者律师在线平台上律师的资料了解律 师真正善于承办的案件类型，所以，有可能选择的律师擅长的案件类型和用户自己需要解 决的纠纷所属的案件类型并不符合，从而给用户造成损失，所以，为了更加直观的使用户可 以了解律师承办案件的类型，在本实施例中，根据查询到的律师的学术信息、执业信息以及 律师得到的用户满意度信息生成律师的律师评价数据，还包括以下步骤(1)至步骤(2):
[0140] (1)获取该律师在预设的各承办案件类型下所承办案件的数量信息和各承办案件 类型下所承办案件的办案质量信息，其中，承办案件类型，包括:合同法类型、婚姻法类型、 债权法类型、收购兼并类型、投融资类型和股票上市类型；
[0141] (2)根据获取到的律师在预设的各承办案件类型下所承办案件的数量信息和各承 办案件类型下所承办案件的办案质量信息，得到律师评价数据中的专业指标。
[0142] 在上述步骤1中，承办案件类型除了包括上述指出的合同法类型、婚姻法类型和债 权法类型之外，还可以包括现有的法律中其他的法律细分领域，这里不再一一赘述。
[0143] 预设的各承办案件类型，会预先记录在律师所承办案件的案件信息中，所以服务 器通过获取律师所承办案件的案件信息，就可以得到律师在预设的各承办案件类型下所承 办案件的数量信息和各承办案件类型下所承办案件的办案质量信息。
[0144] 在上述步骤2中，专业指标就是直接展示出该律师所承办过的各承办案件类型的 承办案件的数量信息和各承办案件类型下所承办案件的办案质量信息。
[0145] 综上所述，通过在律师评价数据中显示律师在预设的各承办案件类型下所承办案 件的数量信息和各承办案件类型下所承办案件的办案质量信息，可以使用户可以直观的了 解律师擅长的案件类型，并根据自己需要解决的纠纷所属的案件类型，选择擅长该案件类 型的律师，从而提高自身案件的胜诉率或者成功率，保证用户自身的权益不受损失。
[0146] 相关技术中，在需要修改律师信息时，律师会先通过自己的执业证号登录服务器， 然后进行律师信息的修改，但是律师的执业证号是可以查询的信息，可以被其他人获取，所 以任何其他人通过律师的执业证号，都可以登录服务器对律师信息进行肆意修改甚至是破 坏，所以，为了提高律师修改律师信息的安全性，本实施例提供的律师评价数据处理方法， 还包括以下步骤(1)至步骤(10):
[0147] (1)获取用户终端发送的律师信息编辑请求，其中，上述律师信息编辑请求携带有 律师的标识信息和律师的第一人脸图像；
[0148] (2)根据律师的标识信息，查询出预存的律师的第二人脸图像；
[0149] (3)将律师的第一人脸图像划分为多个图像区域；
[0150] (4)从多个图像区域中，分别选择k个图像区域进行拼接，得到多个人脸子图像，其 中，多个图像区域由第一人脸图像自上而下平均划分得到， 表示第一人脸图像划分的图像区域数量；
[0151] (5)对得到的多个人脸子图像以及第二人脸图像进行深度学习，得到第一人脸图 像和第二人脸图像的特征差值图；
[0152] (6)对得到的特征差值图进行深度学习，得到第一人脸图像和第二人脸图像的比 对结果；
[0153] (7)当得到第一人脸图像和第二人脸图像相似的对比结果时，向用户终端发送眼 球运动提示信息，使得用户根据用户终端上显示的眼球运动提示信息进行眼球运动；
[0154] (8)获取用户进行眼球运动时的多张眼球运动图像；
[0155] (9)从得到的用户的多张眼球运动图像中，获取用户的眼睛的注视点的运动轨迹；
[0156] (10)当根据获取到的眼睛的注视点的运动轨迹，确定用户的眼睛是按照眼球运动 提示信息的提示进行的运动时，允许用户通过用户终端对律师的学术信息、执业信息以及 律师得到的用户满意度信息进行编辑。
[0157] 上述第一人脸图像是用户终端通过安装的摄像头所拍摄到的图像数据。
[0158] 在上述步骤3中，通过现有的任何图像划分方法将第一人体图像划分成预设数量 的图像区域，这里不再一一赘述。其中，预设数量可以是大于3的自然数，所以本实施例中第 一人体图像一般情况下可以被分为4、5、6或7等多个数量的图像区域。
[0159] 上述步骤4中，人体子图像，分别包括第一人体图像中人体的不同部分，比如在进 行图像区域拼接后，有的人体子图像包括第一人体图像中人体的头部、有的人体子图像包 括第一人体图像中人体的上半身部分，而有的人体子图像包括第一人体图像中人体的全部 部分。
[0160] 通过上述步骤4的描述，通过从多个图像区域中，分别取不同数量
的图像区域进行拼接，从而得到多个人体子图像，可以 在第一人体图像中人体被遮挡图像中只有一部分人体图像的情况下，可以通过对得到的多 个人体子图像进行比对，尽可能去掉图像中无关人体的部分对人体图像比对的影响，提高 对人体图像比对的成功率。
[0161] 在上述步骤5中，对多个人体子图像以及第二人体图像通过具有相同结构的两个 子卷积神经网络进行深度学习，这两个子卷积神经网络均由相同的基本图像处理运算单 元、卷积运算单元和下采样运算单元构成。
[0162] 特征差值图，是可以表示第一人体图像和第二人体图像相似程度的图像，其中特 征差值图中的每个像素值越趋于〇,第一人体图像和第二人体图像的相似程度越高。
[0163] 在上述步骤6中，使用与上述步骤5中对上述人体子图像以及第二人体图像进行深 度学习的子卷积神经网络不同结构的子卷积神经网络来对特征差值图进行深度学习。
[0164] 对特征差值图进行深度学习的子卷积神经网络由基本图像处理运算单元、卷积运 算单元、下采样运算单元和softmax分类器组成。
[0165] 上述步骤9具体包括以下步骤(91)至步骤(93):
[0166] (91)对得到的多张眼球运动图像中的每张眼球运动图像分别进行眼睛定位，并从 定位后的每张眼球运动图像中截取每张眼球运动图像的眼睛子图像；
[0167] (92)从每张眼球运动图像的眼睛子图像中分别提取眼睛的虹膜图像和/或瞳孔图 像；
[0168] (93)根据从每张眼球运动图像中提取的虹膜图像和/或瞳孔图像，计算眼睛在多 张眼球运动图像中之间的相对位移，并根据计算得到的相对位移确定眼睛的注视点的运动 轨迹。
[0169] 在上述步骤91中，人脸各个部位的特征都可以从人脸图像中获取，因此在对眼睛 进行定位的时候，可以根据眼睛的特征，来进行眼睛定位。在眼睛定位后，所获取的应该是 眼睛轮廓在人脸图像中的坐标，所在会根据所获取的眼睛的坐标在人脸图像中进行截取， 获取每张眼球运动图像的眼睛子图像。
[0170] 在上述步骤92中，在多种光源条件下，例如在可见光或者是红外线照射下，人的眼 睛的虹膜图像和瞳孔图像都是可以从眼睛子图像中直接获取，因而在对眼睛子图像进行处 理后，例如在去除噪音干扰，然后根据预先存储的虹膜或者瞳孔的特征，从眼睛子图像中确 定出虹膜图像或者瞳孔图像。
[0171 ]在上述步骤93中，由于人在看向某个目标基准物体的时候，眼球会转动，进而产生 位移。一般地，将眼睛目视正前方时瞳孔或者虹膜的轴线作为基准轴线，那么当眼睛看向某 目标基准物体时，可以即使获取的虹膜图像或者瞳孔图像，获取当时虹膜或者瞳孔的轴线， 将当时虹膜或者瞳孔的轴线与基准轴线进行对比，就能够计算出眼球转动的相对位移。而 多张人脸图片中眼球转动的相对位移组合起来，便能够形成眼睛的注视点的运动轨迹。这 种获取眼睛的注视点的方式不需要进行眼睛定位，仅仅依靠眼球在注视向不同位置的时 候，瞳孔或者虹膜的位置变化来进行判断。
[0172] 在上述步骤10中，根据获取到的眼睛的注视点的运动轨迹，确定用户的眼睛是按 照眼球运动提示信息的提示进行的运动，包括以下方式(a)和(b)之一：
[0173] (a)当确定用户的眼睛的注视点对准了目标基准物体时，确定用户的眼睛是按照 眼球运动提示信息的提示进行的运动，其中，目标基准物体，是通过眼球运动提示信息预先 向用户提示需注视的物体；
[0174] (b)当确定用户的眼睛的注视点的运动轨迹与用户终端上显示的目标基准物体的 运动轨迹一致时，确定用户的眼睛是按照眼球运动提示信息的提示进行的运动。
[0175] 在上述步骤(a)中，在获取用户进行眼球运动时的多张眼球运动图像后，通过判断 上述多张眼球运动图像上显示的眼睛注视点与目标基准物体所在位置是否一致，确定用户 的眼睛是否对准了目标基准物体。
[0176] 在上述步骤(b)中，在获取用户进行眼球运动时的多张眼球运动图像后，判断上述 多张眼球运动图像上显示的眼睛在多张人脸图像中所形成的注视点的运动轨迹与目标基 准物体的运动轨迹是否一致，确定用户的眼睛是按照眼球运动提示信息的提示进行的运 动。
[0177]综上所述，通过获取律师的第一人脸图像与预存的第二人脸图像进行相似度对 比，并在确定第一人脸图像与第二人脸图像相似时，再让律师的眼睛按照眼球运动提示信 息的提示进行的运动，之后才允许律师修改自己的律师资料，提高了律师修改律师信息的 安全性。
[0178]相关技术中，在进行人体图像比对的过程中，需要对从图像库中获取的人体图像 进行划分后再进行深度学习，从而增加了人体图像比对的处理时间；为了能够降低人体图 像比对的处理时间长度，所以本实施例中，上述步骤5包括以下步骤(51)至步骤(55):
[0179] (51)对多个人脸子图像和第二人脸图像进行深度学习，得到多个第一人脸图像特 征图和第二人脸图像特征图；
[0180] (52)以预设的像素点坐标集合中存储的各像素点坐标为特征值区域中心，按照预 设的特征值区域尺寸，分别将当前第一人脸图像特征图和第二人脸图像特征图划分为多个 第一特征值区域和多个第二特征值区域；
[0181] (53)从多个第一特征值区域和多个第二特征值区域中分别获取特征最大值；
[0182] (54)计算分别从具有相同特征值区域中心的第一特征值区域和第二特征值区域 中获取的特征最大值的差，得到多个特征差值；
[0183] (55)以多个特征差值为像素值，按照预设的特征差值图尺寸，生成当前第一人脸 图像特征图和第二人脸图像特征图的特征差值图。
[0184] 具体地，步骤51包括以下步骤(511)至(512):
[0185] (511)通过第一自卷积神经网络对得到的人体子图像进行深度学习，得到多个第 一人体图像特征图；
[0186] (512)通过第二自卷积神经网络对从图像库中选择的任一第二人体图像进行深度 学习，得到第二人体图像特征图，第二自卷积神经网络和第一自卷积神经网络的结构相同。
[0187] 其中，第一自卷积神经网络和第二自卷积神经网络均包括相同的基本图像处理运 算单元、卷积运算单元和下采样运算单元。
[0188] 当然，第一自卷积神经网络和第二自卷积神经网络中还可以使用其他可以实现图 像深度学习功能的任何运算单元，以替代上述的基本图像处理运算单元、卷积运算单元和 下采样运算单元中的至少一个运算单元，这里不再一一赘述。
[0189] 通过上述的步骤52至步骤55描述的方式，可以得到第一人体图像特征图和第二人 体图像特征图的特征差值图，当特征差值图中的各个像素点的像素值趋于〇时，说明第一人 体图像和第二人体图像的相似程度越高，从而对由于拍摄角度以及拍摄时人体的姿势的不 同造成不同照片中看起来差别很大其实是同一人的人体进行有效识别。
[0190]综上所述，在人体图像比对的过程中，直接对第二人体图像进行深度学习，无需将 第二人体图像进行划分再进行深度学习，可以减少图像比对时的计算量，提高了人体图像 的比对速度。
[0191] 相关技术中，在分别得到待检测人体图像和比对人图像中各部分的深度学习结果 后，还得经过比较复杂的特征融合操作，才可以得到待检测人体图像和比对人图像的比对 结果，为了可以较快的得到人体图像的比对结果，上述步骤6,包括以下步骤(61)至步骤 (63)：
[0192] (61)对得到的每个特征差值图进行深度学习，得到每个特征差值图对应的人脸子 图像与第二人脸图像的相似参数；
[0193] (62)确定最大的相似参数作为第一人脸图像与第二人脸图像的相似度；
[0194] (63)当相似度大于等于设定的相似度阈值时，得到第一人脸图像与第二人脸图像 相似的比对结果。
[0195] 上述步骤61包括:通过第三自卷积神经网络得出每张特征差值图对应的人体子图 像与第二人体图像的相似参数。
[0196] 上述第三子卷积神经网络由基本图像处理运算单元、卷积运算单元、下采样运算 单元和softmax分类器组成。
[0197] 当然，第三自卷积神经网络中还可以使用其他可以实现图像深度学习功能的任何 运算单元，以替代上述的基本图像处理运算单元、卷积运算单元、下采样运算单元和 softmax分类器中的至少一个运算单元，这里不再--赘述。
[0198] 综上所述，通过深度学习和简单的数值比对操作，就可以确定出第一人体图像与 第二人体图像是否相似，加快了人体图像的比对速度。
[0199] 本发明实施例所提供的进行律师评价数据处理方法的计算机程序产品，包括存储 了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例 中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0200] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、 装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0201] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以 通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分， 仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可 以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨 论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接 耦合或通信连接，可以是电性，机械或其它的形式。
[0202]所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显 示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个 网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目 的。
[0203] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以 是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0204] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以 存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说 对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计 算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个 人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。 而前述的存储介质包括:U盘、移动硬盘、只读存储器(R0M，Read-0nly Memory)、随机存取存 储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0205] 以上所述，仅为本发明的【具体实施方式】，但本发明的保护范围并不局限于此，任何 熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵 盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
【主权项】
1. 一种律师评价数据处理方法，其特征在于，包括： 接收用户终端发送的律师评价数据的获取请求，其中，所述获取请求携带有律师的标 识信息，所述律师评价数据根据所述律师的学术信息、执业信息W及所述律师得到的用户 满意度信息生成； 根据所述律师的标识信息，查询所述律师的学术信息、执业信息W及所述律师得到的 用户满意度信息； 根据查询到的所述律师的学术信息、执业信息W及所述律师得到的用户满意度信息生 成所述律师的律师评价数据； 将生成的所述律师评价数据发送给所述用户终端W进行展示。2. 根据权利要求1所述的方法，其特征在于，所述方法还包括： 获取用户终端发送的律师信息编辑请求，其中，所述律师信息编辑请求携带有律师的 标识信息和律师的第一人脸图像； 根据所述律师的标识信息，查询出预存的所述律师的第二人脸图像； 将所述律师的第一人脸图像划分为多个图像区域； 从多个所述图像区域中，分别选择k个图像区域进行拼接，得到多个人脸子图像，其中， 多个所述图像区域由所述第一人脸图像自上而下平均划分得到，托悄個 表示所述第一人脸图像划分的图像区域数量； 对得到的所述多个人脸子图像W及所述第二人脸图像进行深度学习，得到所述第一人 脸图像和所述第二人脸图像的特征差值图； 对得到的所述特征差值图进行深度学习，得到所述第一人脸图像和所述第二人脸图像 的比对结果； 当得到所述第一人脸图像和所述第二人脸图像相似的对比结果时，向所述用户终端发 送眼球运动提示信息，使得用户根据所述用户终端上显示的所述眼球运动提示信息进行眼 球运动； 获取用户进行眼球运动时的多张眼球运动图像； 从得到的所述用户的多张眼球运动图像中，获取所述用户的眼睛的注视点的运动轨 迹； 当根据获取到的眼睛的注视点的运动轨迹，确定所述用户的眼睛是按照眼球运动提示 信息的提示进行的运动时，允许用户通过所述用户终端对所述律师的学术信息、执业信息 W及所述律师得到的用户满意度信息进行编辑。3. 根据权利要求2所述的方法，其特征在于，对得到的所述多个人脸子图像W及所述第 二人脸图像进行深度学习，得到所述第一人脸图像和所述第二人脸图像的特征差值图包 括： 对多个所述人脸子图像和所述第二人脸图像进行深度学习，得到多个第一人脸图像特 征图和第二人脸图像特征图； W预设的像素点坐标集合中存储的各像素点坐标为特征值区域中屯、，按照预设的特征 值区域尺寸，分别将当前第一人脸图像特征图和所述第二人脸图像特征图划分为多个第一 特征值区域和多个第二特征值区域； 从所述多个第一特征值区域和所述多个第二特征值区域中分别获取特征最大值； 计算分别从具有相同特征值区域中屯、的第一特征值区域和第二特征值区域中获取的 特征最大值的差，得到多个特征差值； W所述多个特征差值为像素值，按照预设的特征差值图尺寸，生成所述当前第一人脸 图像特征图和所述第二人脸图像特征图的特征差值图。4. 根据权利要求2所述的方法，其特征在于，对得到的所述特征差值图进行深度学习， 得到所述第一人脸图像和所述第二人脸图像的比对结果，包括： 对得到的每个特征差值图进行深度学习，得到每个所述特征差值图对应的人脸子图像 与所述第二人脸图像的相似参数； 确定最大的相似参数作为所述第一人脸图像与所述第二人脸图像的相似度； 当所述相似度大于等于设定的相似度阔值时，得到所述第一人脸图像与所述第二人脸 图像相似的比对结果。5. 根据权利要求2所述的方法，其特征在于，从得到的所述用户的多张眼球运动图像 中，获取所述用户的眼睛的注视点的运动轨迹，包括： 对得到的所述多张眼球运动图像中的每张眼球运动图像分别进行眼睛定位，并从定位 后的所述每张眼球运动图像中截取所述每张眼球运动图像的眼睛子图像； 从所述每张眼球运动图像的眼睛子图像中分别提取所述眼睛的虹膜图像和/或瞳孔图 像； 根据从每张所述眼球运动图像中提取的所述虹膜图像和/或所述瞳孔图像，计算眼睛 在所述多张眼球运动图像中之间的相对位移，并根据计算得到的所述相对位移确定所述眼 睛的注视点的运动轨迹。6. 根据权利要求2所述的方法，其特征在于，根据获取到的眼睛的注视点的运动轨迹， 确定所述用户的眼睛是按照眼球运动提示信息的提示进行的运动，包括W下方式之一： 当确定所述用户的眼睛的注视点对准了目标基准物体时，确定所述用户的眼睛是按照 眼球运动提示信息的提示进行的运动，其中，所述目标基准物体，是通过所述眼球运动提示 信息预先向用户提示需注视的物体； 当确定所述用户的眼睛的注视点的运动轨迹与用户终端上显示的所述目标基准物体 的运动轨迹一致时，确定所述用户的眼睛是按照所述眼球运动提示信息的提示进行的运 动。7. 根据权利要求1所述的方法，其特征在于，根据查询到的所述律师的学术信息、执业 信息W及所述律师得到的用户满意度信息生成所述律师的律师评价数据，包括： 根据所述律师的学术信息中记录的所述律师的学历信息、院校任教信息和发表文章数 量信息，得到所述律师评价数据中的学术指标； 根据所述律师的执业信息中记录的所述律师的执业年限信息、承办案件的总体数量信 息W及承办案件的办案质量信息，得到所述律师评价数据中的执业指标，其中，所述办案质 量信息包括:所述律师承办诉讼案件的胜诉率和承办非诉讼案件的成功率； 根据所述律师得到的用户满意度信息中记录的好评数量信息和评价客户数量信息，得 到所述律师评价数据中的满意度指标。8. 根据权利要求7所述的方法，其特征在于，根据查询到的所述律师的学术信息、执业 信息w及所述律师得到的用户满意度信息生成所述律师的律师评价数据，还包括： 获取所述律师在预设的各承办案件类型下所承办案件的数量信息和各承办案件类型 下所承办案件的办案质量信息，其中，所述承办案件类型，包括:合同法类型、婚姻法类型、 侵权法类型、收购兼并类型、投融资类型和股票上市类型； 根据获取到的所述律师在预设的各承办案件类型下所承办案件的数量信息和各承办 案件类型下所承办案件的办案质量信息生成所述律师评价数据中的专业指标。9. 根据权利要求7所述的方法，其特征在于，根据所述律师的学术信息中记录的所述律 师的学历信息、院校任教信息和发表文章数量信息，得到所述律师评价数据中的学术指标， 包括： 根据预设的学历-分数对应关系表中记录的学历与分数的对应关系、院校任教职称-分 数对应关系表中记录的学历与分数的对应关系、W及发表文章数量-分数对应关系表中记 录的学历与分数的对应关系，分别确定所述律师的所述学历信息、所述院校任教信息和所 述发表文章数量信息所对应的分数； 通过对得到的学历信息的分数、院校任教信息的分数和发表文章数量信息的分数进行 计算，生成律师评价数据中的学术指标。10. 根据权利要求7所述的方法，其特征在于，根据所述律师的执业信息中记录的所述 律师的执业年限信息、承办案件的总体数量信息W及承办案件的办案质量信息，得到所述 律师评价数据中的执业指标，包括： 根据预设的执业年限信息-分数对应关系表中记录的执业年限与分数的对应关系，确 定律师的执业年限信息的分数； 根据预设的承办诉讼案件数量-分数对应关系表中记录的案件承办数量与分数的对应 关系，确定所述律师承办诉讼案件的分数； 当确定所述律师承办诉讼案件的分数大于等于预设分数时，获取所述律师承办案件的 胜诉率信息； 当根据获取到的所述胜诉率信息，确定所述律师代理原告的胜率大于预设的第一胜率 阔值且代理被告的胜率大于预设的第二胜率阔值时，通过预设的第一数值对所述律师承办 诉讼案件的分数进行增量操作； 当根据获取到的所述胜诉率信息，确定所述律师代理原告的胜率大于预设的第一胜率 阔值或者代理被告的胜率大于预设的第二胜率阔值时，通过预设的第二数值对所述律师承 办诉讼案件的分数进行增量操作，其中，预设的第一数值大于预设的第二数值； 根据预设的所述律师承办非诉讼案件数量-分数对应关系表中记录的案件承办数量与 分数的对应关系，确定所述律师承办非诉讼案件的分数； 当所述律师承办非诉讼案件的分数大于等于预设分数时，通过获取到的所述成功率信 息，判断所述律师承办非诉讼案件的成功率是否大于预设的成功率阔值； 如果是，通过预设的第二数值对所述律师承办非诉讼案件的分数进行增量操作； 通过对得到的执业年限信息的分数、所述律师承办诉讼案件的分数W及所述律师承办 非诉讼案件的分数进行计算，得到律师评价数据中的执业指标。
【文档编号】G06Q50/18GK106097193SQ201610413016
【公开日】2016年11月9日
【申请日】2016年6月13日 公开号201610413016.4, CN 106097193 A, CN 106097193A, CN 201610413016, CN-A-106097193, CN106097193 A, CN106097193A, CN201610413016, CN201610413016.4
【发明人】王丽娜, 靳鹏
【申请人】律竹（北京）网络科技有限公司