CN109408396A - 软件质量评价方法、装置、设备及计算机可读存储介质 - Google Patents
软件质量评价方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109408396A CN109408396A CN201811340025.0A CN201811340025A CN109408396A CN 109408396 A CN109408396 A CN 109408396A CN 201811340025 A CN201811340025 A CN 201811340025A CN 109408396 A CN109408396 A CN 109408396A
- Authority
- CN
- China
- Prior art keywords
- software
- evaluation
- attribute
- quality
- data
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3616—Software analysis for verifying properties of programs using software metrics
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
Abstract
本发明实施例公开了一种软件质量评价方法、装置、设备及计算机可读存储介质。其中,方法包括将用于评价软件质量的数据根据不同的属性进行划分,并利用相应属性样本数据训练的属性评价子模型评价输入属性数据的质量,作为各类属性数据的子评价结果,将各子评价结果输入融合评价模型,得到待评价软件的质量评价结果数据。本申请在评价软件质量时,充分考虑到不同属性数据之间的区别,对各属性数据利用针对性强的评价子模型进行质量评价,有利于得到更加准确、更加全面的评价结果;评价结果不依赖主观随意性,提升了评价结果的科学性和准确性;通过并行对各属性数据进行质量评价,大幅提升了大规模软件质量评价场景中软件质量评价效率。
Description
技术领域
本发明实施例涉及软件质量评价领域,特别是涉及一种软件质量评价方法、装置、设备及计算机可读存储介质。
背景技术
随着计算机技术的快速发展,软件作为与计算机系统操作有关的计算机程序、规程、规则,以及可能有关的文件、文档及数据,例如系统软件、应用软件等,其发展速度也越来越快。
在整个软件生命周期内,软件质量评价为控制软件开发、提高软件质量的有效保证,深入研究软件质量评价的模型和方法,寻找一种快速、准确和客观的软件质量评价方法,是本领域技术人员一直需要解决的问题。
传统的软件质量评价方法,如模糊综合评价法、层次分析法等,其指标的权重一般由专家给定,且定性信息多是通过人的主观判断予以量化,存在着主观的随意性和思维的不确定性。另一方面,传统软件质量评价多采用简单的数学运算方法,忽略了各度量元与软件质量之间的非线性关系,软件由于其自身的复杂性以及运行环境的特殊性,其质量属性具有与其他产品质量属性不同的特点,单一的方法很难充分解决软件质量评价中的各类问题,所得到的结果难以真正反映软件质量的好坏;当度量的数据量很大时,传统的软件质量评价方法往往难以得到精确的评价结果,且计算过程复杂繁琐,软件质量评价效率较低。
综上所述可以看出,如何更加科学、全面的评价软件的质量,为软件的开发及测试评价提供理论和技术支持,以便对软件开发人员、测试人员及管理人员等进行相应决策提供参考为目前有待解决的问题。
发明内容
本公开实施例提供了一种软件质量评价方法、装置、设备及计算机可读存储介质,提升了对软件质量评价的全面性、科学性及准确度。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种软件质量评价方法,包括:
从软件质量属性数据库中提取待评价软件的多类目标属性数据;
将各类目标属性数据输入相对应的属性评价子模型中,得到各类目标属性数据的子评价结果;
将各子评价结果输入融合评价模型,得到所述待评价软件的质量评价结果数据;
其中,各属性评价子模型为基于深度学习预先训练相应属性样本数据所得,用于评价输入数据的软件属性质量;所述软件质量属性数据库包括所述待评价软件在软件设计、开发和测试过程中的所有数据。
可选的,多类目标属性数据为软件设计属性数据、软件内部结构属性数据及软件测试属性数据,所述将各类目标属性数据输入相对应的属性评价子模型中,得到各类目标属性数据的子评价结果包括:
将所述软件设计属性数据输入软件设计分析评价模型中,得到所述软件设计属性数据的评价结果;
将所述软件内部结构属性数据输入软件内部结构评价模型中,得到所述软件内部结构属性数据的评价结果;
将所述软件测试属性数据输入至软件测试评价模型中,得到所述软件测试属性数据的评价结果。
可选的,在所述将各子评价结果输入融合评价模型,得到所述待评价软件的质量评价结果数据之后,还包括:
将所述质量评价结果数据按照用户需求格式输出。
可选的,所述融合评价模型为根据所述待评价软件的类型和规模预先构建的质量评价模型。
可选的,在所述将各类目标属性数据输入相对应的属性评价子模型中,得到各类目标属性数据的子评价结果之后,还包括:
存储各属性评价子模型输出的子评价结果。
本发明实施例另一方面提供了一种软件质量评价装置,包括:
数据提取模块,用于从软件质量属性数据库中提取待评价软件的多类目标属性数据;所述软件质量属性数据库包括所述待评价软件在软件设计、开发和测试过程中的所有数据;
分层次深度学习模型训练模块,用于基于深度学习训练样本数据得到相同属性类型的评价子模型,各属性评价子模型用于评价输入数据的软件属性质量;
属性评价模块,用于将各类目标属性数据输入相对应的属性评价子模型中,得到各类目标属性数据的子评价结果;
软件质量评价模块,用于将各子评价结果输入融合评价模型,得到所述待评价软件的质量评价结果数据。
可选的,还包括:
质量评价输出模块,用于将所述质量评价结果数据按照用户需求格式输出。
可选的,还包括:
结果存储模块,用于存储各属性评价子模型输出的子评价结果。
本发明实施例还提供了一种软件质量评价设备,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述软件质量评价方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有软件质量评价程序,所述软件质量评价程序被处理器执行时实现如前任一项所述软件质量评价方法的步骤。
本发明实施例提供了一种软件质量评价方法,将用于评价软件质量的数据根据不同的属性进行划分,并利用相应属性样本数据训练的属性评价子模型评价输入属性数据的质量,作为各类属性数据的子评价结果,将各子评价结果输入融合评价模型,得到待评价软件的质量评价结果数据。本申请提供的技术方案的优点在于,在评价软件质量时,充分考虑到不同属性数据之间的区别,对各属性数据利用针对性强的评价子模型进行质量评价,有利于得到更加准确、更加全面的评价结果,精确反映软件质量的好坏;评价结果不依赖主观随意性,提升了评价结果的科学性和准确性;此外,针对大规模软件质量评价场景,通过并行对各属性数据进行质量评价,大幅提升了软件质量评价的效率;有利于快速、准确为软件的开发及测试评价提供理论和技术支持,以便软件开发人员、测试人员及管理人员等进行相应决策。
此外,本发明实施例还针对软件质量评价方法提供了相应的实现装置、设备及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置、设备及计算机可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例提供的一种软件质量评价方法的流程示意图;
图2为本发明实施例提供的另一种软件质量评价方法的流程示意图;
图3为本发明实施例提供的软件质量评价装置的一种具体实施方式结构图;
图4为本发明实施例提供的软件质量评价装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种软件质量评价方法的流程示意图,本发明实施例可包括以下内容:
S101:从软件质量属性数据库中提取待评价软件的多类目标属性数据。
软件质量属性数据库包括可待评价软件在软件设计、开发和测试过程中的所有数据,也即以数据库形式存储软件设计、开发、测试过程的不同质量属性数据;当然,该数据库中还可包括待评价软件的其他数据,例如需求分析数据、可行性分析数据等等,这均不影响本申请的实现。
多类目标属性数据可构成相关技术中用于评价软件质量的所有数据,也就是说,在该场景中,将用于评价软件质量的所有数据分割为多个数据包,每个数据包为由具有相同属性的数据构成;也可超过相关技术中用于评价软件质量的所有数据量,也可为相关技术中用于评价软件质量的所有数据中的一些典型数据,此处典型数据可为去除不影响软件质量的一些数据,这均不影响本申请的实现。
目标属性数据反映待评价软件某个质量评价方面或某个阶段的数据,待评价软件的目标属性数据可根据软件的研发情况、用户需求和软件功能等实际情况进行确定,本申请对此不做任何限定。举例来说,对待评价软件的数据在进行属性划分时,由于软件在不同生命周期中的数据不同,各数据评价标准差别较大,可根据待评价软件的不同生命周期阶段分为不同属性的数据,例如目标属性数据可为软件设计属性数据、软件内部结构属性数据或软件测试属性数据。
在确定待评价软件的目标属性后,按照不同的属性从软件质量属性数据库中提取相对应的数据,例如可按软件设计分析属性、软件内部结构属性和软件测试属性三类从软件质量属性数据库中分类提取相应数据。至于如何从数据库中提取数据可采取任何一种数据提取手段,实现过程可参阅相关技术的描述,此处,便不再赘述。
S102:将各类目标属性数据输入相对应的属性评价子模型中,得到各类目标属性数据的子评价结果。
各属性评价子模型为基于深度学习预先训练相应属性样本数据所得,也就是说,每个属性子评价模型在训练时样本数据的属性和输入数据的属性相同。当然,各属性评价子模型也可采用其他模型训练方法进行训练,各属性评价子模型可采用相同类型的深度学习算法进行训练,也可采用不同类型的深度学习算法训练,这均不影响本申请的实现。基于深度学习算法训练样本数据得到属性评价子模型的实现过程,可参阅相关技术的描述,此处,便不再赘述。
举例来说,多类目标属性数据为软件设计属性数据、软件内部结构属性数据及软件测试属性数据,那么属性评价子模型可为软件设计分析评价模型、软件内部结构评价模型和软件测试评价模型中。
基于深度学习算法训练多种类型、多种规模的软件在设计分析阶段的所有数据可得到软件设计分析评价模型;基于深度学习算法训练多种类型、多种规模的软件的所有内部结构属性数据可得到软件内部结构评价模型;基于深度学习算法训练多种类型、多种规模的软件在测试过程中的所有数据可得到软件测试属性评价模型。
每个属性评价子模型用于评价输入该模型中数据的软件属性质量,举例来说,将软件设计属性数据输入软件设计分析评价模型中,得到软件设计属性数据的评价结果;将软件内部结构属性数据输入软件内部结构评价模型中,得到软件内部结构属性数据的评价结果;将软件测试属性数据输入至软件测试评价模型中,得到软件测试属性数据的评价结果。
可同时将提取的数据输入至相应的属性评价子模型中,各属性评价子模型同时进行评价,得到子评价结果。当然,也可先让一部分属性评价子模型工作,这均不影响本申请的实现。针对大规模的软件质量评价场景,并行处理数据,可大幅提升整个软件质量评价的效率。
S103:将各子评价结果输入融合评价模型,得到待评价软件的质量评价结果数据。
融合评价模型为预先训练好的质量评价模型,可采用相关技术中任何一种综合质量评价模型,即对软件各个方面质量属性综合进行评价的软件质量模型,本申请对此不做任何限定。
可选的,融合评价模型还可根据待评价软件的类型和规模进行训练,也即可针对不同的软件类型及规模,分别设置相应的融合模型进行质量评价,以适应不同类型、不同规模软件的质量评价,从而灵活地对不同软件质量进行科学、全面的评价,对软件开发人员、测试人员及管理人员等进行相应决策具有重要的参考价值。
在本发明实施例提供的技术方案中,在评价软件质量时,充分考虑到不同属性数据之间的区别,对各属性数据利用针对性强的评价子模型进行质量评价,有利于得到更加准确、更加全面的评价结果,精确反映软件质量的好坏;评价结果不依赖主观随意性,提升了评价结果的科学性和准确性;此外,针对大规模软件质量评价场景,通过并行对各属性数据进行质量评价,大幅提升了软件质量评价的效率;有利于快速、准确为软件的开发及测试评价提供理论和技术支持,以便软件开发人员、测试人员及管理人员等进行相应决策。
基于上述实施例,请参阅图2,本申请还提供了另外一个实施例,可包括:
S201:从软件质量属性数据库中提取待评价软件的软件设计属性数据、软件内部结构属性数据或软件测试属性数据。
S202:分别将软件设计属性数据、软件内部结构属性数据或软件测试属性数据输入至相对应的属性评价子模型中,得到各类目标属性数据的子评价结果。
S203:存储各属性评价子模型输出的子评价结果。
S204:将各子评价结果输入融合评价模型,得到待评价软件的质量评价结果数据。
S205:将质量评价结果数据按照用户需求格式输出。
各步骤与上述实施例相同的实现过程,可参阅上述实施例的描述,此处,便不再赘述。
在进行软件质量评价时,可预先设置输出格式,然后按照约定好的格式进行输出;当然,融合评价模型可提供多种结果输出格式,用户可根据需求进行选择所需格式,或者是根据融合评价模型默认输出质量评价结果格式进行转化,这均不影响本申请的实现。例如可将质量评价结果按照优、良、差进行输出;也可根据输出数值,每个数值有对应的质量标准。
由上可知,本发明实施例提升了对软件质量评价的全面性、科学性及准确度。
本发明实施例还针对软件质量评价方法提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的软件质量评价装置进行介绍,下文描述的软件质量评价装置与上文描述的软件质量评价方法可相互对应参照。
参见图3,图3为本发明实施例提供的软件质量评价装置在一种具体实施方式下的结构图,该装置可包括:
数据提取模块301,用于从软件质量属性数据库中提取待评价软件的多类目标属性数据;软件质量属性数据库包括待评价软件在软件设计、开发和测试过程中的所有数据。
分层次深度学习模型训练模块302,用于基于深度学习训练样本数据得到相同属性类型的评价子模型,各属性评价子模型用于评价输入数据的软件属性质量。
属性评价模块303,用于将各类目标属性数据输入相对应的属性评价子模型中,得到各类目标属性数据的子评价结果。
软件质量评价模块304,用于将各子评价结果输入融合评价模型,得到待评价软件的质量评价结果数据。
可选的,在本实施例的一些实施方式中,请参阅图4,所述装置例如还可以包括:
质量评价输出模块305,用于将质量评价结果数据按照用户需求格式输出。
结果存储模块306,用于存储各属性评价子模型输出的子评价结果。
可选的,在本实施例的另一些实施方式中,所述属性评价模块303还可以为将软件设计属性数据输入软件设计分析评价模型中,得到软件设计属性数据的评价结果;将软件内部结构属性数据输入软件内部结构评价模型中,得到软件内部结构属性数据的评价结果;将软件测试属性数据输入至软件测试评价模型中,得到软件测试属性数据的评价结果的模块。
本发明实施例所述软件质量评价装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例提升了对软件质量评价的全面性、科学性和准确度,有利于快速、准确为软件的开发及测试评价提供理论和技术支持,以便软件开发人员、测试人员及管理人员等进行相应决策。
本发明实施例还提供了一种软件质量评价设备,具体可包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序以实现如上任意一实施例所述软件质量评价方法的步骤。
本发明实施例所述软件质量评价设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例提升了对软件质量评价的全面性、科学性和准确度,有利于快速、准确为软件的开发及测试评价提供理论和技术支持,以便软件开发人员、测试人员及管理人员等进行相应决策。
本发明实施例还提供了一种计算机可读存储介质,存储有软件质量评价程序,所述软件质量评价程序被处理器执行时如上任意一实施例所述软件质量评价方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例提升了对软件质量评价的全面性、科学性和准确度,有利于快速、准确为软件的开发及测试评价提供理论和技术支持,以便软件开发人员、测试人员及管理人员等进行相应决策。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种软件质量评价方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种软件质量评价方法,其特征在于,包括:
从软件质量属性数据库中提取待评价软件的多类目标属性数据;
将各类目标属性数据输入相对应的属性评价子模型中,得到各类目标属性数据的子评价结果;
将各子评价结果输入融合评价模型,得到所述待评价软件的质量评价结果数据;
其中,各属性评价子模型为基于深度学习预先训练相应属性样本数据所得,用于评价输入数据的软件属性质量;所述软件质量属性数据库包括所述待评价软件在软件设计、开发和测试过程中的所有数据。
2.根据权利要求1所述的软件质量评价方法,其特征在于,多类目标属性数据为软件设计属性数据、软件内部结构属性数据及软件测试属性数据,所述将各类目标属性数据输入相对应的属性评价子模型中,得到各类目标属性数据的子评价结果包括:
将所述软件设计属性数据输入软件设计分析评价模型中,得到所述软件设计属性数据的评价结果;
将所述软件内部结构属性数据输入软件内部结构评价模型中,得到所述软件内部结构属性数据的评价结果;
将所述软件测试属性数据输入至软件测试评价模型中,得到所述软件测试属性数据的评价结果。
3.根据权利要求1所述的软件质量评价方法,其特征在于,在所述将各子评价结果输入融合评价模型,得到所述待评价软件的质量评价结果数据之后,还包括:
将所述质量评价结果数据按照用户需求格式输出。
4.根据权利要求1至3任意一项所述的软件质量评价方法,其特征在于,所述融合评价模型为根据所述待评价软件的类型和规模预先构建的质量评价模型。
5.根据权利要求4所述的软件质量评价方法,其特征在于,在所述将各类目标属性数据输入相对应的属性评价子模型中,得到各类目标属性数据的子评价结果之后,还包括:
存储各属性评价子模型输出的子评价结果。
6.一种软件质量评价装置,其特征在于,包括:
数据提取模块,用于从软件质量属性数据库中提取待评价软件的多类目标属性数据;所述软件质量属性数据库包括所述待评价软件在软件设计、开发和测试过程中的所有数据;
分层次深度学习模型训练模块,用于基于深度学习训练样本数据得到相同属性类型的评价子模型,各属性评价子模型用于评价输入数据的软件属性质量;
属性评价模块,用于将各类目标属性数据输入相对应的属性评价子模型中,得到各类目标属性数据的子评价结果;
软件质量评价模块,用于将各子评价结果输入融合评价模型,得到所述待评价软件的质量评价结果数据。
7.根据权利要求6所述的软件质量评价装置,其特征在于,还包括:
质量评价输出模块,用于将所述质量评价结果数据按照用户需求格式输出。
8.根据权利要求7所述的软件质量评价装置,其特征在于,还包括:
结果存储模块,用于存储各属性评价子模型输出的子评价结果。
9.一种软件质量评价设备,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5任一项所述软件质量评价方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有软件质量评价程序,所述软件质量评价程序被处理器执行时实现如权利要求1至5任一项所述软件质量评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340025.0A CN109408396A (zh) | 2018-11-12 | 2018-11-12 | 软件质量评价方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340025.0A CN109408396A (zh) | 2018-11-12 | 2018-11-12 | 软件质量评价方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109408396A true CN109408396A (zh) | 2019-03-01 |
Family
ID=65472716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811340025.0A Pending CN109408396A (zh) | 2018-11-12 | 2018-11-12 | 软件质量评价方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109408396A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968512A (zh) * | 2019-11-29 | 2020-04-07 | 中国科学院长春光学精密机械与物理研究所 | 软件质量评估方法、装置、设备及计算机可读存储介质 |
CN112463643A (zh) * | 2020-12-16 | 2021-03-09 | 郑州航空工业管理学院 | 一种软件质量预测方法 |
CN112926834A (zh) * | 2021-01-29 | 2021-06-08 | 北京索为系统技术股份有限公司 | 工业app质量评价方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577882A (zh) * | 2013-11-14 | 2014-02-12 | 中国联合网络通信集团有限公司 | 一种基于uml的量化项目资源控制方法 |
CN103902451A (zh) * | 2014-03-26 | 2014-07-02 | 国家电网公司 | 一种智能电能表软件品质评价方法 |
CN106875104A (zh) * | 2017-01-21 | 2017-06-20 | 西安交通大学 | 一种冷轧带钢质量综合评价方法 |
CN107766254A (zh) * | 2017-11-13 | 2018-03-06 | 长春长光精密仪器集团有限公司 | 一种基于层次分析的软件质量评估方法及系统 |
CN107797931A (zh) * | 2017-11-13 | 2018-03-13 | 长春长光精密仪器集团有限公司 | 一种基于二次评价的软件质量评价方法及系统 |
CN108446651A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 人脸识别方法和装置 |
-
2018
- 2018-11-12 CN CN201811340025.0A patent/CN109408396A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577882A (zh) * | 2013-11-14 | 2014-02-12 | 中国联合网络通信集团有限公司 | 一种基于uml的量化项目资源控制方法 |
CN103902451A (zh) * | 2014-03-26 | 2014-07-02 | 国家电网公司 | 一种智能电能表软件品质评价方法 |
CN106875104A (zh) * | 2017-01-21 | 2017-06-20 | 西安交通大学 | 一种冷轧带钢质量综合评价方法 |
CN107766254A (zh) * | 2017-11-13 | 2018-03-06 | 长春长光精密仪器集团有限公司 | 一种基于层次分析的软件质量评估方法及系统 |
CN107797931A (zh) * | 2017-11-13 | 2018-03-13 | 长春长光精密仪器集团有限公司 | 一种基于二次评价的软件质量评价方法及系统 |
CN108446651A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 人脸识别方法和装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968512A (zh) * | 2019-11-29 | 2020-04-07 | 中国科学院长春光学精密机械与物理研究所 | 软件质量评估方法、装置、设备及计算机可读存储介质 |
CN112463643A (zh) * | 2020-12-16 | 2021-03-09 | 郑州航空工业管理学院 | 一种软件质量预测方法 |
CN112926834A (zh) * | 2021-01-29 | 2021-06-08 | 北京索为系统技术股份有限公司 | 工业app质量评价方法、装置、设备及介质 |
CN112926834B (zh) * | 2021-01-29 | 2024-05-10 | 北京索为系统技术股份有限公司 | 工业app质量评价方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353037B (zh) | 一种题目生成方法、装置以及计算机可读存储介质 | |
JP6701367B2 (ja) | 個人オーダーメイド教育コンテンツを提供する方法、装置、及びコンピュータプログラム | |
TWI742040B (zh) | 分布式環境下監督學習算法的基準測試方法和裝置 | |
CN110533974B (zh) | 一种智能组卷方法、系统和计算机可读存储介质 | |
US11915104B2 (en) | Normalizing text attributes for machine learning models | |
CN109299344A (zh) | 排序模型的生成方法、搜索结果的排序方法、装置及设备 | |
CN108171280A (zh) | 一种分类器构建方法及预测分类的方法 | |
CN111914944A (zh) | 基于动态样本选择和损失一致性的物体检测方法和系统 | |
CN109408396A (zh) | 软件质量评价方法、装置、设备及计算机可读存储介质 | |
CN107239443A (zh) | 一种词向量学习模型的训练方法及服务器 | |
CN108256893A (zh) | 广告投放效果的分析方法及装置 | |
CN108062394A (zh) | 一种数据集的标注方法及相关装置 | |
CN110348580A (zh) | 构建gbdt模型的方法、装置及预测方法、装置 | |
CN105046366B (zh) | 模型训练方法及装置 | |
CN109583468A (zh) | 训练样本获取方法,样本预测方法及对应装置 | |
CN108959474B (zh) | 实体关系提取方法 | |
CN108062302A (zh) | 一种特定文本信息的识别方法及装置 | |
CN110362639A (zh) | 一种基于群体关联计算分析的风险预警方法、装置、电子设备 | |
CN108074016A (zh) | 基于位置社交网络的用户关系强度预测方法、装置及设备 | |
CN105786898B (zh) | 一种领域本体的构建方法和装置 | |
CN109189892A (zh) | 一种基于文章评论的推荐方法及装置 | |
CN110263328A (zh) | 一种学科能力类型标注方法、装置、存储介质及终端设备 | |
CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
KR101745874B1 (ko) | 학습코스 자동 생성 방법 및 시스템 | |
CN107818175A (zh) | 一种法律类案问题智能预判系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |