具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”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,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明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。
请参阅图1,图1是本发明实施例提供的测试用例智能化匹配方法的示意流程图,该方法应用于台式电脑、手提电脑、平板电脑等终端中。如图1所示,该方法包括步骤S101~S105。
S101、对输入文本进行分词处理以得到单词。
其中,所输入文本可以是用户的需求,或者是代码提交的消息;输入文本可以是中文、英文或其他语言。在具体的实施方式中,分词操作需要读取输入的字符流,并对输入的字符流进行扫描,根据构词规则从字符流中识别出相应的语素,最后生成不同类型的单词。通过对用户输入文本进行分词处理,能够使系统对用户输入文本的识别更加准确,并增加对测试用例匹配的精确度。
例如,开发人员针对相应的测试需求的代码提交的注释如下:“SR_1326279、人脸识别去网纹接口首移”。则根据汉语构词规则对所输入文本中的语素分析,得到“人脸/识别/去/网纹/接口/首移”,则分别识别得到“人脸”、“识别”、“去”、“网纹”、“接口”、“首移”。
其中对输入文本中的语素进行分析的方法包括:
1、正向最大匹配法:
正向即从前往后取词,从7->1,每次减一个字,直到词典命中或剩下1个单字。
第1次:“我们在野生动物”,扫描7字词典,无
第2次:“我们在野生动”,扫描6字词典,无
……
第6次:“我们”,扫描2字词典,有
扫描中止,输出第1个词为“我们”,去除第1个词后开始第2轮扫描,即:
第2轮扫描:
第1次:“在野生动物园玩”,扫描7字词典,无
第2次:“在野生动物园”,扫描6字词典,无
。。。。
第6次:“在野”,扫描2字词典,有
扫描中止,输出第2个词为“在野”,去除第2个词后开始第3轮扫描,即:
第3轮扫描:
第1次:“生动物园玩”,扫描5字词典,无
第2次:“生动物园”,扫描4字词典,无
第3次:“生动物”,扫描3字词典,无
第4次:“生动”,扫描2字词典,有
扫描中止,输出第3个词为“生动”,第4轮扫描,即:
第4轮扫描:
第1次:“物园玩”,扫描3字词典,无
第2次:“物园”,扫描2字词典,无
第3次:“物”,扫描1字词典,无
扫描中止,输出第4个词为“物”,非字典词数加1,开始第5轮扫描,即:
第5轮扫描:
第1次:“园玩”,扫描2字词典,无
第2次:“园”,扫描1字词典,有
扫描中止,输出第5个词为“园”,单字字典词数加1,开始第6轮扫描,即:
第6轮扫描:
第1次:“玩”,扫描1字字典词,有
扫描中止,输出第6个词为“玩”,单字字典词数加1,整体扫描结束。
正向最大匹配法,最终切分结果为:“我们/在野/生动/物/园/玩”,其中,单字字典词为2,非词典词为1。
2、逆向最大匹配法:
逆向即从后往前取词,其他逻辑和正向相同。即:
第1轮扫描:“在野生动物园玩”
第1次:“在野生动物园玩”,扫描7字词典,无
第2次:“野生动物园玩”,扫描6字词典,无
。。。。
第7次:“玩”,扫描1字词典,有
扫描中止,输出“玩”,单字字典词加1,开始第2轮扫描
第2轮扫描:“们在野生动物园”
第1次:“们在野生动物园”,扫描7字词典,无
第2次:“在野生动物园”,扫描6字词典,无
第3次:“野生动物园”,扫描5字词典,有
扫描中止,输出“野生动物园”,开始第3轮扫描
第3轮扫描:“我们在”
第1次:“我们在”,扫描3字词典,无
第2次:“们在”,扫描2字词典,无
第3次:“在”,扫描1字词典,有
扫描中止,输出“在”,单字字典词加1,开始第4轮扫描
第4轮扫描:“我们”
第1次:“我们”,扫描2字词典,有
扫描中止,输出“我们”,整体扫描结束。
逆向最大匹配法,最终切分结果为:“我们/在/野生动物园/玩”,其中,单字字典词为2,非词典词为0。
3、双向最大匹配法:
正向最大匹配法和逆向最大匹配法,都有其局限性,我举得例子是正向最大匹配法局限性的例子,逆向也同样存在(如:长春药店,逆向切分为“长/春药店”),因此有人又提出了双向最大匹配法,双向最大匹配法。即,两种算法都切一遍,然后根据大颗粒度词越多越好,非词典词和单字词越少越好的原则,选取其中分词结果输出。
如:“我们在野生动物园玩”
正向最大匹配法,最终切分结果为:“我们/在野/生动/物/园/玩”,其中,两字词3个,单字字典词为2,非词典词为1。
逆向最大匹配法,最终切分结果为:“我们/在/野生动物园/玩”,其中,五字词1个,两字词1个,单字字典词为2,非词典词为0。
非字典词:正向(1)>逆向(0)(越少越好)
单字字典词:正向(2)=逆向(2)(越少越好)
总词数:正向(6)>逆向(4)(越少越好)
因此最终输出为逆向结果。
S102、对经分词处理得到的单词进行滤波处理,以得到滤波后的单词集合。
在本实施例中,滤波即是将经分词处理得到的单词集合中无意义的成分滤除。对单词进行滤波处理,能够减少内存空间的占用,减少对无意义的单词进行处理的过程,减少系统的处理负担,加快处理速度。
滤波处理主要的处理过程为,对分词处理得到的单词进行定性定长处理,滤除单词中的非单词成分,并根据单词的词性对无意义的单词进行滤除。
在一实施例中,如图2所示,步骤S102包括子步骤S1021和S1022。
S1012、对分词处理得到的单词进行定性处理得到单词的词性,对单词进行定长处理得到单词的长度。
在本实施例中,在对输入的内容进行分词操作后,需对分词处理得到的单词进行定性处理得到单词的词性,对单词进行定长处理得到单词的长度。例如,分词处理得到的单词为“人脸”、“识别”、“去”、“网纹”、“接口”、“首移”,其中“人脸”、“网纹”、“接口”为名词,词长为2个字符,“识别”、“首移”为动词,词长为2个字符,“去”为结构助词,词长为1个字符;分别对得到的不同单词进行定性和定长处理,则可根据词长或词性对单词进行分类处理,得到所输入文本中名词为3个,动词为2个,结构助词为1个。
S1022、滤除单词中的非单词成分,并根据单词的词性对无意义的单词进行滤除以得到滤波后的单词集合。在对单词进行定性处理得到单词的词性,对单词进行定长处理得到单词的长度后,滤除单词中的非单词成分,如无用空格、换行符,并根据单词的词性对无意义的单词进行滤除,可将进行定性和定长处理的单词中的结构助词等不表示实际意义的词类进行滤除处理,例如可滤除“去”、“的”、“了”等不表示实际意义的单词。
S103、根据预先设定的特征词组,对滤波后的单词集合进行特征词提取,以得到输入文本的特性参数。
在一实施例中,如图3所示,步骤S103包括子步骤S1031和S1032。
S1031、将滤波后的单词集合与预先设定的特征词组进行匹配。
在本实施例中,特征词组中包括多个特征词,可根据用户需求进行预先设定,则可根据预先设定的特征词组,对滤波后的单词集合与预先设定的特征词组进行匹配,提取单词集合中的特征词。例如,可预先设定“人脸”、“人像”、“指纹”、“识别”、“网纹”、“接口”、“调用”为特征词组中的特征词。
S1032、对单词集合中特征词所出现的次数进行统计以得到输入文本的特性参数,其中,输入文本的特性参数为单词集合中的特征词在特征词组中所出现的次数。
在S1032中具体的操作方法为,对单词集合中特征词所出现的次数进行统计,得到输入文本的特性参数。其中,输入文本的特性参数为单词集合中的特征词在特征词组中所出现的次数。例如,滤波后的单词集合中包括“人脸”、“识别”、“网纹”、“接口”、“首移”,则根据特征词组对单词集合中的单词进行匹配,并统计单词集合中每个特征词在特征词组中所出现的次数,统计“人脸”出现1次,“识别”出现1次,“网纹”出现1次、“接口”出现1次、“首移”出现0次,得到的相应的特征词所出现的次数即为输入文本的特性参数。
在本实施例中,通过特征词组对单词集合中的单词进行匹配,对经过滤波处理后的单词集合进行特征提取,并进一步统计单词集合中每个特征词在特征词组中所出现的次数,可加快后续过程中根据输入文本的特性参数进行智能化匹配的速度,能够方便、快捷地对输入文本与测试用例的匹配概率进行分析。
S104、通过智能化匹配模型中测试用例的特征词与输入文本的特性参数进行匹配,计算输入文本与测试用例相应的匹配概率。
根据输入文本的特性参数,并通过经过训练以后的智能化匹配模型,将智能化匹配模型中测试用例与输入文本的特性参数进行匹配,计算得到输入文本与测试用例相应的匹配概率。其中,输入文本的特性参数为单词集合中的特征词在特征词组中所出现的次数。
在一实施例中,如图4所示,步骤S104包括子步骤S1041和S1042。
S1041、获取智能化匹配模型中测试用例的特征词的加权值。在进行测试用例与输入文本的特性参数进行匹配时,对测试用例中的每一个特征词添加加权值,不同的测试用例中相同的特征词加权值可以相同也可以不同。例如,测试用例1中和测试用例2中都拥有“网纹”这一特征词,但测试用例1中“网纹”的加权值与测试用例2中“网纹”的加权值可以相同也可以不同。通过对测试用例中的特征词添加加权值,能够使计算得到的匹配概率更加精确。
S1042、根据以下公式计算得到输入文本与测试用例的匹配概率P:P=(A1×a1+A2×a2+A3×a3+……An×an)/n,其中an为特征词组中第n个特征词所出现的次数,An为特征词组中第n个特征词在测试用例中对应的加权值。
具体的,根据输入文本的特性参数与智能化匹配模型中测试用例特征词的加权值,计算输入文本的特性参数与测试用例中特征词的重复程度,得到输入文本与测试用例相应的匹配概率,其中,测试用例的匹配概率P的计算公式为:P=(A1×a1+A2×a2+A3×a3+……An×an)/n,其中an为特征词组中第n个特征词所出现的次数,An为特征词组中第n个特征词在测试用例中对应的加权值。
在本实施例中,经过特征提取后获取输入文本的特性参数,根据每个特征词所出现的次数,从高到低进行排序,依据不同的使用特征对特征词进行分类,并根据特征词出现次数由高到低的排序结果,及分类结果,对输入文本与用例库中的多个测试用例进行匹配,并获取输入文本与每个测试用例之间的匹配概率。测试用例库中包含多个测试用例,每个测试用例具有与自身测试方向相对应的特征词分类及特征词匹配顺序,通过得到输入文本中特征词的分类结果,与特征词分类结果相同的测试用例进行匹配,得到预选的多个测试用例,并根据测试用例中特征词的匹配顺序,对输入文本中特征词出现次数由高到低的排序结果进行匹配,获取输入文本与每一测试用例相应的匹配度,也即是输入文本与测试用例之间的匹配概率。
例如,测试用例1为:人脸识别去网纹接口调用--新贷,其中的特征词为“人脸”、“识别”、“网纹”、“接口”、“调用”,特征词的加权值均为1,测试用例2为:人脸识别去网纹接口调用—topup,其中的特征词为“人脸”、“识别”、“网纹”、“接口”、“调用”,特征词的加权值均为1。通过输入文本得到的输入文本的特性参数分别与测试用例1和测试用例2进行匹配,输入文本得到的输入文本的特性参数中,“人脸”、“识别”、“网纹”、“接口”四个词分别出现1次,即测试用例1中的五个特征词中的四个能够与所输入文本相匹配,则输入文本与测试用例1的匹配度为4/5=80%;基于同样的计算原理,输入文本与测试用例2的匹配度为4/5=80%。
S105、根据预设的匹配概率阈值,获取大于匹配概率阈值的测试用例。
将测试用例与输入文本的匹配概率由高到低进行排序,并根据预设的匹配概率阈值,获取大于匹配概率阈值的测试用例,供用户进行选择。
在本实施例中,匹配概率阈值可由系统自动设定,也可根据用户需求自行设定。例如,系统默认匹配概率前三或前五的测试用例为预选用例,则可直接将匹配概率前三或前五的测试用例展示给用户进行选择。用户还可自行设定匹配概率阈值,例如设定匹配概率阈值为70%,则匹配概率大于70%的测试用例即为预选用例,用户可在大于70%的测试用例中进行选择。
通过对输入文本与用例库中的多个测试用例进行匹配,并获取输入文本与每个测试用例之间的匹配概率,并获取大于匹配概率阈值的测试用例,能够准确、方便、快捷地对输入文本与测试用例的匹配概率进行分析并为用户提供满足使用需求的测试用例,具有准确、方便、快捷、智能的特点,能够大幅提高用户对测试用例的选择速度,并提高测试用例选择的精确度。
如图5所示,步骤S101对输入文本进行分词处理以得到单词之前,还包括步骤S100。
S100、通过历史数据对智能化匹配模型进行训练,得到训练后的智能化匹配模型。
如图6所示,步骤S100中具体包括子步骤S1001和S1002。
步骤S1001、采用一定时间段内的测试用例选择数据作为训练数据,对智能化匹配模型进行训练。
步骤S1002、采用一定时间段内的测试用例选择数据作为验证数据,对能化匹配模型进行验证,并获取通过验证后的智能化匹配模型。
在本实施例中,采用3年前到半年前所有的数据作为训练数据对智能化匹配模型进行训练。在进行训练之前,人工给测试用例库中所需选择的测试用例绑定一个或多个特征词,并为每个特征词预设加权值。例如测试用例1“人脸识别去网纹接口调用--新贷”中的特征词“网纹”的预设加权值为1,特征词“人脸”的预设加权值为1.5,测试用例1在实际应用中与输入文本之间的匹配概率为80%,而通过智能化匹配模型进行计算得到的输入文本与测试用例1的匹配概率为70%,则智能化匹配模型计算得到的匹配概率与实际应用中的匹配概率存在一定的差值,需要对测试用例1中的特征词“网纹”和特征词“人脸”的加权值进行智能化调整,以使智能化匹配模型计算得到的匹配概率与实际应用中的匹配概率之间的差值进一步缩小。基于同样的原理,可对智能化匹配模型中每一个测试用例中特征词的加权值进行调整,以使智能化匹配模型中每一测试用例所计算得到的匹配概率与实际应用中的匹配概率之间的差值进一步缩小。
此外,通过对智能化匹配模型进行训练,智能化匹配模型能够通过用户输入的需求,对相关匹配结果进行预测,根据前一阶段中智能化匹配模型的训练结果,如在后续需求中出现“人脸”、“照片”、“callTechFaceCompareDeal”等词汇的频率较高,智能化匹配模型就会在回归测试的用例中自动加入之前匹配过程中匹配概率较高的测试用例,例如“人脸识别去网纹接口调用--新贷“、”测试APP人脸识别去网纹接口调用—topup”等高概率的测试。
通过这一训练方法,反复对智能化匹配模型进行训练,将智能化匹配模型计算得到的匹配概率与实际应用中的匹配概率之间的差值缩小到可接受的范围内。
在本实施例中,对智能化匹配模型进行验证的验证数据与进行测试的测试数据为不同时间段内的两组数据。采用半年内的数据作为验证数据。通过验证结果可以清晰地了解智能化匹配模型的计算结果是否满足实际使用需求,并获取进过训练后满足实际使用需求的智能化匹配模型。
例如,通过一定时间段内的测试用例选择数据,对智能化匹配模型进行验证得到其计算结果相对于实际应用的准确率不小于95%,则认为智能化匹配模型的准确率满足实际使用需求,若智能化匹配模型进行验证得到其计算结果相对于实际应用的准确率小于95%,则还需要对智能化匹配模型进行再次训练。
本发明实施例还提供测试用例智能化匹配装置,该测试用例智能化匹配装置用于执行前述任一项测试用例智能化匹配方法。具体地,请参阅图6,图6是本发明实施例提供的测试用例智能化匹配装置的示意性框图。测试用例智能化匹配装置10可以安装于台式电脑、平板电脑、手提电脑、等终端中。
如图7所示,测试用例智能化匹配装置10包括分词处理单元101、滤波处理单元102、特征提取单元103、智能匹配单元104、测试用例获取单元105。
分词处理单元101,用于对输入文本进行分词处理以得到单词。
在本实施例中,所输入文本可以是用户的需求,或者是代码提交的消息;输入文本可以是中文、英文或其他语言。分词操作需要读取输入的字符流,并对输入的字符流进行扫描,根据构词规则从字符流中识别出相应的语素,最后生成不同类型的单词。通过对用户输入文本进行分词处理,能够使系统对用户输入文本的识别更加准确,并增加对测试用例匹配的精确度。
滤波处理单元102,用于对经分词处理得到的单词进行滤波处理,以得到滤波后的单词集合。
在本实施例中,在本实施例中,滤波即是将经分词处理得到的单词集合中无意义的成分滤除。对单词进行滤波处理,能够减少内存空间的占用,减少对无意义的单词进行处理的过程,减少系统的处理负担,加快处理速度。
其他发明实施例中,如图8所示,所述滤波处理单元102包括子单元定性定长处理单元1021和滤波单元1022。
定性定长处理单元1021,用于对分词处理得到的单词进行定性处理得到单词的词性,对单词进行定长处理得到单词的长度。在对输入的内容进行分词操作后,需对分词处理得到的单词进行定性处理得到单词的词性,对单词进行定长处理得到单词的长度。
滤波单元1022,用于滤除单词中的非单词成分,并根据单词的词性对无意义的单词进行滤除以得到滤波后的单词集合。在对单词进行定性处理得到单词的词性,对单词进行定长处理得到单词的长度后,滤除单词中的非单词成分,如无用空格、换行符,并根据单词的词性对无意义的单词进行滤除,可将进行定性和定长处理的单词中的结构助词等不表示实际意义的词类进行滤除处理。
特征提取单元103,用于用于根据预先设定的特征词组,对滤波后的单词集合进行特征词提取,以得到输入文本的特性参数。
其他发明实施例中,如图9所示,所述特征提取单元103包括子单元:特征词提取单元1031和特性参数获取单元1032。
特征词提取单元1031,用于将滤波后的单词集合与预先设定的特征词组进行匹配。具体的,特征词组中包括多个特征词,可根据用户需求进行预先设定,则可根据预先设定的特征词组,对滤波后的单词集合与预先设定的特征词组进行匹配,提取单词集合中的特征词。
特性参数获取单元1032,用于对单词集合中特征词所出现的次数进行统计以得到输入文本的特性参数,其中,输入文本的特性参数为单词集合中的特征词在特征词组中所出现的次数。
在本实施例中,通过特征词组对单词集合中的单词进行匹配,对经过滤波处理后的单词集合进行特征提取,并进一步统计单词集合中每个特征词在特征词组中所出现的次数,可加快后续过程中根据输入文本的特性参数进行智能化匹配的速度,能够方便、快捷地对输入文本与测试用例的匹配概率进行分析。
智能匹配单元104,用于通过智能化匹配模型中测试用例的特征词与输入文本的特性参数进行匹配,计算输入文本与测试用例相应的匹配概率。
根据输入文本的特性参数,并通过经过训练以后的智能化匹配模型,将智能化匹配模型中测试用例与输入文本的特性参数进行匹配,计算得到输入文本与测试用例相应的匹配概率。其中,输入文本的特性参数为单词集合中的特征词在特征词组中所出现的次数。
其他发明实施例中,如图10所示,所述智能匹配单元104包括子单元:加权值获取单元1041和匹配概率计算单元1042。
加权值获取单元1041,用于用于获取智能化匹配模型中测试用例的特征词的加权值。在进行测试用例与输入文本的特性参数进行匹配时,对测试用例中的每一个特征词添加加权值,不同的测试用例中相同的特征词加权值可以相同也可以不同。
匹配概率计算单元1042,用于根据以下公式计算得到输入文本与测试用例的匹配概率P:P=(A1×a1+A2×a2+A3×a3+……An×an)/n,其中an为特征词组中第n个特征词所出现的次数,An为特征词组中第n个特征词在测试用例中对应的加权值。
具体的,根据输入文本的特性参数与智能化匹配模型中测试用例特征词的加权值,计算输入文本的特性参数与测试用例中特征词的重复程度,得到输入文本与测试用例相应的匹配概率,其中,测试用例的匹配概率P的计算公式为:P=(A1×a1+A2×a2+A3×a3+……An×an)/n,其中an为特征词组中第n个特征词所出现的次数,An为特征词组中第n个特征词在测试用例中对应的加权值。
测试用例获取单元105,用于根据预设的匹配概率阈值,获取大于匹配概率阈值的测试用例。
将测试用例与输入文本的匹配概率由高到低进行排序,并根据预设的匹配概率阈值,获取大于匹配概率阈值的测试用例,供用户进行选择。
在本实施例中,匹配概率阈值可由系统自动设定,也可根据用户需求自行设定。例如,系统默认匹配概率前三或前五的测试用例为预选用例,则可直接将匹配概率前三或前五的测试用例展示给用户进行选择。用户还可自行设定匹配概率阈值,例如设定匹配概率阈值为70%,则匹配概率大于70%的测试用例即为预选用例,用户可在大于70%的测试用例中进行选择。
通过对输入文本与用例库中的多个测试用例进行匹配,并获取输入文本与每个测试用例之间的匹配概率,并获取大于匹配概率阈值的测试用例,能够准确、方便、快捷地对输入文本与测试用例的匹配概率进行分析并为用户提供满足使用需求的测试用例,具有准确、方便、快捷、智能的特点,能够大幅提高用户对测试用例的选择速度,并提高测试用例选择的精确度。
如图9所示,该测试用例智能化匹配装置10还包括训练验证单元100。
训练验证单元100,用于通过历史数据对智能化匹配模型进行训练,得到训练后的智能化匹配模型。
如图10所示,训练验证单元100包括子单元:训练单元1001和验证单元1002。
训练单元1001,用于采用一定时间段内的测试用例选择数据作为训练数据,对智能化匹配模型进行训练。
验证单元1002,用于采用一定时间段内的测试用例选择数据作为验证数据,对能化匹配模型进行验证,并获取通过验证后的智能化匹配模型。
在本实施例中,采用3年前到半年前所有的数据作为训练数据对智能化匹配模型进行训练。在进行训练之前,人工给测试用例库中所需选择的测试用例绑定一个或多个特征词,并为每个特征词预设加权值。例如测试用例1“人脸识别去网纹接口调用--新贷”中的特征词“网纹”的预设加权值为1,特征词“人脸”的预设加权值为1.5,测试用例1在实际应用中与输入文本之间的匹配概率为80%,而通过智能化匹配模型进行计算得到的输入文本与测试用例1的匹配概率为70%,则智能化匹配模型计算得到的匹配概率与实际应用中的匹配概率存在一定的差值,需要对测试用例1中的特征词“网纹”和特征词“人脸”的加权值进行智能化调整,以使智能化匹配模型计算得到的匹配概率与实际应用中的匹配概率之间的差值进一步缩小。基于同样的原理,可对智能化匹配模型中每一个测试用例中特征词的加权值进行调整,以使智能化匹配模型中每一测试用例所计算得到的匹配概率与实际应用中的匹配概率之间的差值进一步缩小。
此外,通过对智能化匹配模型进行训练,智能化匹配模型能够通过用户输入的需求,对相关匹配结果进行预测,根据前一阶段中智能化匹配模型的训练结果,如在后续需求中出现“人脸”、“照片”、“callTechFaceCompareDeal”等词汇的频率较高,智能化匹配模型就会在回归测试的用例中自动加入之前匹配过程中匹配概率较高的测试用例,例如“人脸识别去网纹接口调用--新贷“、”测试APP人脸识别去网纹接口调用—topup”等高概率的测试。
通过这一训练方法,反复对智能化匹配模型进行训练,将智能化匹配模型计算得到的匹配概率与实际应用中的匹配概率之间的差值缩小到可接受的范围内。
例如,通过一定时间段内的测试用例选择数据,对智能化匹配模型进行验证得到其计算结果相对于实际应用的准确率不小于95%,则认为智能化匹配模型的准确率满足实际使用需求,若智能化匹配模型进行验证得到其计算结果相对于实际应用的准确率小于95%,则还需要对智能化匹配模型进行再次训练。
在本实施例中,对智能化匹配模型进行验证的验证数据与进行测试的测试数据为不同时间段内的两组数据。采用半年内的数据作为验证数据。通过验证结果可以清晰地了解智能化匹配模型的计算结果是否满足实际使用需求,并增加在实际使用过程中对测试用例匹配的精确度。
上述测试用例智能化匹配装置可以实现为计算机程序的形式,该计算机程序可以在如图13所示的计算机设备上运行。
请参阅图13,图13是本发明实施例提供的计算机设备的示意性框图。该计算机设备500设备可以是终端。该终端可以是平板电脑、笔记本电脑、台式电脑、个人数字助理等电子设备。
参阅图13,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行测试用例智能化匹配方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行测试用例智能化匹配方法。
该网络接口505用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图13中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下功能:对输入文本进行分词处理以得到单词;对经分词处理得到的单词进行滤波处理,以得到滤波后的单词集合;根据预先设定的特征词组,对滤波后的单词集合进行特征词提取,以得到输入文本的特性参数;通过智能化匹配模型中测试用例的特征词与输入文本的特性参数进行匹配,计算输入文本与测试用例相应的匹配概率;根据预设的匹配概率阈值,获取大于匹配概率阈值的测试用例。
在一实施例中,处理器502在执行对经分词处理得到的单词进行滤波处理,以得到滤波后的单词集合时,执行如下操作:对分词处理得到的单词进行定性处理得到单词的词性,对单词进行定长处理得到单词的长度;滤除单词中的非单词成分,并根据单词的词性对无意义的单词进行滤除以得到滤波后的单词集合。
在一实施例中,处理器502在执行根据预先设定的特征词组,对滤波后的单词集合进行特征词提取,以得到输入文本的特性参数时,执行如下操作:将滤波后的单词集合与预先设定的特征词组进行匹配;对单词集合中特征词所出现的次数进行统计以得到输入文本的特性参数,其中,输入文本的特性参数为单词集合中的特征词在特征词组中所出现的次数。
在一实施例中,处理器502在执行通过智能化匹配模型中测试用例的特征词与输入文本的特性参数进行匹配,计算输入文本与测试用例相应的匹配概率时,执行如下操作:获取智能化匹配模型中测试用例的特征词的加权值;根据以下公式计算得到输入文本与测试用例的匹配概率P:P=(A1×a1+A2×a2+A3×a3+……An×an)/n,其中an为特征词组中第n个特征词所出现的次数,An为特征词组中第n个特征词在测试用例中对应的加权值。
在一实施例中,处理器502在执行对输入文本进行分词处理以得到单词之前,执行如下操作:通过历史数据对智能化匹配模型进行训练,得到训练后的智能化匹配模型。
本领域技术人员可以理解,图13中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图13所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供存储介质。该存储介质可以为非易失性的计算机可读存储介质。该存储介质存储有计算机程序,其中计算机程序包括程序指令。该程序指令被处理器执行时实现以下步骤:对输入文本进行分词处理以得到单词;对经分词处理得到的单词进行滤波处理,以得到滤波后的单词集合;根据预先设定的特征词组,对滤波后的单词集合进行特征词提取,以得到输入文本的特性参数;通过智能化匹配模型中测试用例的特征词与输入文本的特性参数进行匹配,计算输入文本与测试用例相应的匹配概率;根据预设的匹配概率阈值,获取大于匹配概率阈值的测试用例。
在一实施例中,所述对经分词处理得到的单词进行滤波处理,以得到滤波后的单词集合的步骤包括:对分词处理得到的单词进行定性处理得到单词的词性,对单词进行定长处理得到单词的长度;滤除单词中的非单词成分,并根据单词的词性对无意义的单词进行滤除以得到滤波后的单词集合。
在一实施例中,所述根据预先设定的特征词组,对滤波后的单词集合进行特征词提取,以得到输入文本的特性参数的步骤包括:将滤波后的单词集合与预先设定的特征词组进行匹配;对单词集合中特征词所出现的次数进行统计以得到输入文本的特性参数,其中,输入文本的特性参数为单词集合中的特征词在特征词组中所出现的次数。
在一实施例中,所述通过智能化匹配模型中测试用例的特征词与输入文本的特性参数进行匹配,计算输入文本与测试用例相应的匹配概率的步骤包括:获取智能化匹配模型中测试用例的特征词的加权值;根据以下公式计算得到输入文本与测试用例的匹配概率P:P=(A1×a1+A2×a2+A3×a3+……An×an)/n,其中an为特征词组中第n个特征词所出现的次数,An为特征词组中第n个特征词在测试用例中对应的加权值。
在一实施例中,所述对输入文本进行分词处理以得到单词的步骤之前包括:通过历史数据对智能化匹配模型进行训练,得到训练后的智能化匹配模型。
所述存储介质可以是前述设备的内部存储单元,例如设备的硬盘或内存。所述存储介质也可以是所述设备的外部存储设备,例如所述设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、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。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,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,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,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。另外,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接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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发明实施例方案的目的。
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,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,或者该技术方案的全部或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(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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,可轻易想到各种等效的修改或替换,这些修改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以权利要求的保护范围为准。