CN109471793A - 一种基于深度学习的网页自动化测试缺陷定位方法 - Google Patents
一种基于深度学习的网页自动化测试缺陷定位方法 Download PDFInfo
- Publication number
- CN109471793A CN109471793A CN201811151705.8A CN201811151705A CN109471793A CN 109471793 A CN109471793 A CN 109471793A CN 201811151705 A CN201811151705 A CN 201811151705A CN 109471793 A CN109471793 A CN 109471793A
- Authority
- CN
- China
- Prior art keywords
- test
- target pages
- deep learning
- page elements
- operating unit
- 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.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 95
- 230000007547 defect Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009193 crawling Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000006549 dyspepsia Diseases 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229910052711 selenium Inorganic materials 0.000 description 1
- 239000011669 selenium Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- 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
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Machine Translation (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于深度学习的网页自动化测试缺陷定位方法，包括：利用中文的标点符号以及中文连词对测试用例进行解析，分解成最小的操作单元，并以“测试用例‑测试步骤‑切分方式‑操作单元”为操纵单元的属性结构存入到数据库中；基于深度学习对最小的操作单元进行测试操作信息提取，得到关键字序列，将关键字序列定义为三元组序列；爬取网页，将网页解析成HTML DOM树并遍历该HTML DOM树，通过三元组序列中的Target元素，定位目标页面元素集；通过三元组序列调用操作接口，传入操作信息，自动生成测试用例脚本，通过回溯算法，以目标页面元素集中的测试结果为判断依据探索多个测试流；驱动真实浏览器准确定位被测系统的缺陷。
Description
技术领域
本发明涉及缺陷定位领域，尤其涉及一种基于深度学习的网页自动化测试缺陷定位方法。
背景技术
基于人工智能(AI)技术例如：基于模式的推理和搜索策略，主要是依靠一套规则系统的支持[1]。对软件需求提供自动化的还有基于自然语言分析，这种方法针对用自然语言表达的情况进行设计。例如：针对详细语义分析的自然语言表达的需求，但是往往出现语义信息不可用的问题[2]。通过对英文描述的测试用例提取基于语义上的关键字序列[3]，用于计算机理解操作指令，自动合成了可以进行自动化测试的脚本。ATA[3]是通过POS标注测试用例的词性，设计在软件测试特定领域下的语法规则，提取出基于语义的关键字序列，通过关键字序列帮助计算机理解操作指令，但成功执行测试用例的准确率并不高。
目前基于需求的自动化处理方法主要是通过自然语言处理生成词语库，最终生成中间变量或者中间模型，该方法很大程度上依赖手工的转换，诸如模型，源代码等。这些转换的起点，通常以自然语言被写入。然而，几乎没有任何翻译自然语言的自动化工具直接将自然语言文本转换为软件产品[4]，在传统的软件处理过程中，通常是由操作人员根据执行结果定位缺陷，但这种传统的缺陷定位方法成本较高。现有的通过对自然语言处理得到的词语库也存在歧义，准确率不高，降低了执行的成功率。
发明人在实现本发明的过程中，发现现有技术中至少存在以下缺点和不足：
1)基于关键字驱动的自动化处理，难以精确定位WEB中被处理的目标页面元素；
2)自然语言的复杂多义不一致性造成计算机难以理解，提取的关键字信息往往不准确；
3)基于需求的自动化测试中，不能完全满足自动化的目标以及成功完成测试操作，准确定位被测系统的缺陷。
参考文献
[1]He K,Liang P,Peng R,et al.Requirement emergence computation ofnetworked software[J].Frontiers of Computer Science in China,2007,1(3):322-328.
[2]Hassan T,Hassan S,Yar M A,et al.Semantic analysis of naturallanguage software requirement[C]//Sixth International Conference onInnovative Computing Technology.IEEE,2017.
[3]Hassan T,Hassan S,Yar M A,et al.Semantic analysis of naturallanguage software requirement[C]//Sixth International Conference onInnovative Computing Technology.IEEE,2017.
[4]Tichy W F,Koerner S J.Text to software:developing tools to closethe gaps in software engineering[C]//Proceedings of the FSE/SDP workshop onFuture of software engineering research.ACM,2010:379-384.
发明内容
本发明提供了一种基于深度学习的网页自动化测试缺陷定位方法，本发明解决了传统基于需求的自动化方法中由于自然语言的歧义提取关键字准确率问题，准确定位网页页面的目标元素问题、以及执行自动化测试操作，准确定位被测系统的缺陷问题，详见下文描述：
一种基于深度学习的网页自动化测试缺陷定位方法，所述方法包括以下步骤：
利用中文的标点符号以及中文连词对测试用例进行解析，分解成最小的操作单元，并以“测试用例-测试步骤-切分方式-操作单元”为操纵单元的属性结构存入到数据库中；
基于深度学习对最小的操作单元进行测试操作信息提取，得到关键字序列，将关键字序列定义为三元组序列；
爬取网页，将网页解析成HTML DOM树并遍历该HTML DOM树，通过三元组序列中的Target元素，定位目标页面元素集；
通过三元组序列调用操作接口，传入操作信息，自动生成测试用例脚本，通过回溯算法，以目标页面元素集中的测试结果为判断依据探索多个测试流；驱动真实浏览器准确定位被测系统的缺陷。
进一步地，所述定位目标页面元素集具体为：
通过距离公式，计算目标元素候选集中的目标元素与三元组中的目标页面元素的距离，距离越近，相似度越高，定义距离最近的页面元素为被操作的目标元素；
通过回溯算法，探索页面元素集中的页面元素，如果影响到下一组目标元素的模糊查找，则返回选择距离次之的页面元素。
其中，所述目标页面元素集具体为：
将网页解析成HTML DOM树，页面元素与HTML DOM树节点一一对应；遍历所有页面元素，模糊匹配三元组中的目标页面元素，根据目标页面元素的属性集和三元组的属性，生成目标页面元素集。
本发明提供的技术方案的有益效果是：
1、本发明通过对神经网络架构的训练，能够准确地提取出关键字序列，减少了由于自然语言处理的歧义造成的语义和语法错误；
2、本发明通过关键字序列更加精准地从WEB中定位目标页面元素；
3、本发明能够更高效的完成测试任务，同时获得更准确的测试结果，更精确定位错误缺陷。
附图说明
图1为一种基于深度学习的网页自动化测试缺陷定位方法的流程图；
图2为神经网络的模型示意图；
图3为一种基于深度学习的网页自动化测试缺陷定位方法的另一流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
本发明公开了一种基于深度学习的网页自动化测试缺陷定位方法，参见图1，该方法包括以下步骤：
101：利用中文的标点符号以及中文连词对测试用例进行解析，分解成最小的操作单元，并以“测试用例-测试步骤-切分方式-操作单元”为操纵单元的属性结构存入到数据库中；
102：基于深度学习(即神经网络)对最小的操作单元进行测试操作信息提取，得到关键字序列，将关键字序列定义为三元组序列；
103：爬取网页，将网页解析成HTML DOM树并遍历该HTML DOM树，通过三元组序列中的Target元素，定位目标页面元素集；
104：通过三元组序列调用操作接口，传入操作信息，自动生成测试用例脚本，通过回溯算法，以目标页面元素集中的测试结果为判断依据探索多个测试流，提高了测试能够被执行的成功率；
其中，回溯算法为本领域技术人员所公知，本发明实施例对此不做赘述。
105：驱动真实浏览器自动执行测试，收集失败的测试用例，提取每一个测试失败的原因，准确定位被测系统的缺陷。
综上所述，本发明实施例利用神经网络对训练集进行学习，提高了从自然语言文本中对测试操作信息的提取准确率，进而也提高了基于关键字驱动的接口调用的成功率，利用回溯算法，增加了对页面元素的容错性，提高了定位页面元素的准确率，同时也提高了完成测试操作的成功率，准确定位了被测系统的缺陷。
实施例2
下面结合具体的计算公式、实例、图2和图3对实施例1中的方案进行进一步地介绍，详见下文描述：
201：测试需求分析，获取操作单元；
定义1(测试需求集)：
T＝{t1，t2，…，tm}表示测试人员编写的被测系统的测试用例集，用来描述功能测试中的指令操作，这些测试用例相对独立，不存在依赖关系，每条测试步骤描述清楚，均包含操作指令以及其对应被测应用程序用户界面的目标元素，其中ti表示该测试用例集的第i个测试用例。
首先从测试需求集中提取出测试用例，依据中文标点，以及连词，对每一条测试步骤进行分段，并对段进行排序，形成有操作顺序的操作单元序列。
定义2(操作单元集)：
E＝{e1，e2，…，em}表示被测程序内包含的操作单元集，其中，ei表示第i个操作单元。
202：神经网络的搭建并训练；
基于深度学习和统计字嵌入的方法被称为长期短期记忆网络条件随机场(LSTM-CRF)，其性能优于最先进的实体专用NER(命名实体)工具，其中特征的选取对神经网络的提取关键字结果有着重要的意义。
1)搭建基于POS和句法分析特征的LSTM-CRF神经网络
根据步骤201提取的操作单元，定义关键操作信息，可以用于驱动自动化测试，称为三元组。
定义3(三元组集)：
其中，(Action，Target，Data)用来表示连接指令操作和测试脚本的关键字驱动。Action表示对页面的具体操作，例如“点击”、“填写”。Target表示目标页面元素，也就是所在页面的HTML元素。Data表示与页面进行交互的数据值，例如“填写用户名为admin”，“admin”就是data。
根据三元组在操作单元中的角色成分，其中Action在操作单元中具有动词的词性，Target一般情况下是Action的宾语，由于界面是为指导用户使用设计，Target在操作单元中不具有语义，所以词性不能作为判断标准，可以通过句法分析提取Target，但计算机不能通过语法树准确理解软件需求。Data是用户与Target交互的数据，在需求描述中，一般在Target后面做Action的补语。
其中，图2为神经网络的模型示意图，该图使用POS和句法分析这两个特征搭建神经网络，避免了理解自然语言而产生的歧义，通过训练神经网络学习三元组在句子中的成分，可以有效提高神经网络的标注性能。
2)标签；
利用基于字的双向LSTM-CRF的神经网络，将操作单元中的每个字赋予一个标签，三元组中的元素一般是由多个或者一个字组成，一般通常是由SmE(start，middle，end)，在本方法中，每一组字符串包含四个字母，分别对应一个词开始位置的字，词中间位置的字，词末位置的字，以一个字为关键字位置的字，所以一共是3组，每组有四个字母，标签一共包含12个字母[[LXM,I],[lmx,r],[JQK,q]]，不是三元组的字全都用0标记。CRF层的状态转移矩阵State transfer matrix(STM)记为A，Aij表示的是从第i个标签到第j个标签的转移得分，在为一个位置进行标注的时候可以利用此前已经标注过的标签，CRF层输出得分概率最高的标签序列。记一个长度等于句子长度的标签序列y＝(y1，y2，…，yn)，模型对于句子x的标签等于y的打分为：
其中，Pi,yi为字i分类到第yi个标签的打分值；Ayi-1,yi为从第yi-1个标签到第yi个标签的转移得分。
3)数据预处理；
本方法默认分析的是中文的文本，所以删除非中文字符并统一不同风格的标点，不去除停止词，以防影响句子理解，在将繁体中文转换为简体中文后，通过标注好训练集，生成特定领域的语料库。为了解决特征稀疏问题，对于标签，使用one-hot编码，word2vec训练词向量。
4)训练；
输入LSTM层之前使用dropout训练率为0.5，以避免过度拟合并观察到标注性能的显著改善。利用反向传播算法训练神经网络，可以在每个训练样例上更新一个参数，使用随机梯度下降(SGD)算法，在训练集上100个时期的学习率为0.001。
203：定位目标页面元素；
1)将网页解析成HTML DOM树，页面元素与HTML DOM树节点一一对应。HTML DOM树将网页中的元素都看作对象，对页面元素进行的测试操作可以通过对象直接调用自动化测试方法。
2)遍历所有页面元素，模糊匹配三元组中的目标页面元素，根据目标页面元素的属性集和三元组的属性，生成目标页面元素集。
3)通过距离公式，计算目标元素候选集中的目标元素与三元组中的目标页面元素的距离，距离越近，相似度越高，定义距离最近的页面元素为被操作的目标元素。
通过回溯算法，探索页面元素集中的页面元素，如果影响到下一组目标元素的模糊查找，则返回选择距离次之的页面元素。通过增加容错性，提高定位目标页面元素的准确率。
编辑距离公式如下：
204：自动生成测试用例脚本；
搭建基于selenium的自动化测试框架，根据三元组的Action操作变量生成函数，封装与Action 相关自动化测试功能，以便自动驱动程序进行测试。函数接收三元组的其他两个参数：页面元素，交互的数据值。
205：执行自动化测试，通过被测系统的测试报告，确定被测系统的定位缺陷。
为了更加灵活地设计和执行测试计划，使用TestNG来管理测试用例。通过自动生成的TestNG测试用例描述文件，测试用例按照包分配在不同的test下，这样在测试执行时可以按照不同的包来设计测试计划。本发明实施例支持对失败的测试用例进行收集，生成只包含上一次测试失败的测试用例的TestNG文件，这样可以使得在进行回归测试时有针对性地安排测试。
另外，根据TestNG生成的HTML报告提取出每一个用例的失败原因，错误原因和详细错误原因可以从TestNG的报告中分析得到的，其中错误原因是用例失败时给出的直接的带有描述的报错信息，一般只包含一行，而详细错误原因包含了引起用例失败的详细堆栈结构。通过这些报错信息与用例本身，可以初步判断导致用例失败的原因，定位被测系统的缺陷。
综上所述，图3详细的介绍了本实施例的具体流程，本发明实施例可以通过神经网络得到三元组序列，提高了从自然语言中提取关键字序列的准确率，通过爬取页面生成HTML DOM树，可以获取更加准确的页面元素集，使用回溯算法，提高了容错性，同时也提高了定位页面元素的成功率，详细的错误报告能够准确定位缺陷。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于深度学习的网页自动化测试缺陷定位方法，其特征在于，所述方法包括以下步骤：
利用中文的标点符号以及中文连词对测试用例进行解析，分解成最小的操作单元，并以“测试用例-测试步骤-切分方式-操作单元”为操纵单元的属性结构存入到数据库中；
基于深度学习对最小的操作单元进行测试操作信息提取，得到关键字序列，将关键字序列定义为三元组序列；
爬取网页，将网页解析成HTML DOM树并遍历该HTML DOM树，通过三元组序列中的Target元素，定位目标页面元素集；
通过三元组序列调用操作接口，传入操作信息，自动生成测试用例脚本，通过回溯算法，以目标页面元素集中的测试结果为判断依据探索多个测试流；驱动真实浏览器准确定位被测系统的缺陷。
2.根据权利要求1所述的一种基于深度学习的网页自动化测试缺陷定位方法，其特征在于，所述定位目标页面元素集具体为：
通过距离公式，计算目标元素候选集中的目标元素与三元组中的目标页面元素的距离，距离越近，相似度越高，定义距离最近的页面元素为被操作的目标元素；
通过回溯算法，探索页面元素集中的页面元素，如果影响到下一组目标元素的模糊查找，则返回选择距离次之的页面元素。
3.根据权利要求1或2所述的一种基于深度学习的网页自动化测试缺陷定位方法，其特征在于，所述目标页面元素集具体为：
将网页解析成HTML DOM树，页面元素与HTML DOM树节点一一对应；遍历所有页面元素，模糊匹配三元组中的目标页面元素，根据目标页面元素的属性集和三元组的属性，生成目标页面元素集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811151705.8A CN109471793B (zh) | 2018-09-29 | 2018-09-29 | 一种基于深度学习的网页自动化测试缺陷定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811151705.8A CN109471793B (zh) | 2018-09-29 | 2018-09-29 | 一种基于深度学习的网页自动化测试缺陷定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109471793A true CN109471793A (zh) | 2019-03-15 |
| CN109471793B CN109471793B (zh) | 2021-08-13 |
Family
ID=65664601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811151705.8A Expired - Fee Related CN109471793B (zh) | 2018-09-29 | 2018-09-29 | 一种基于深度学习的网页自动化测试缺陷定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109471793B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109960655A (zh) * | 2019-03-21 | 2019-07-02 | 杭州迪普科技股份有限公司 | web测试框架的创建方法、装置、电子设备 |
| CN110399586A (zh) * | 2019-07-31 | 2019-11-01 | 深圳前海微众银行股份有限公司 | web界面元素的自动化处理方法、装置、设备及介质 |
| CN110502643A (zh) * | 2019-08-28 | 2019-11-26 | 南京璇玑信息技术有限公司 | 一种基于bert模型的预测下一句模型自动构建技术 |
| CN110888808A (zh) * | 2019-11-16 | 2020-03-17 | 云南湾谷科技有限公司 | 一种基于知识图谱的Web智能化测试的方法 |
| CN111159014A (zh) * | 2019-12-13 | 2020-05-15 | 平安医疗健康管理股份有限公司 | 探索性测试的响应方法及装置、计算机设备、存储介质 |
| CN112988585A (zh) * | 2021-03-23 | 2021-06-18 | 京东数科海益信息科技有限公司 | 一种PaaS平台测试方法、装置、设备及介质 |
| CN113127354A (zh) * | 2021-04-21 | 2021-07-16 | 武汉思普崚技术有限公司 | 基于Web UI的自动化测试方法、装置、设备及存储介质 |
| WO2021184725A1 (zh) * | 2020-03-16 | 2021-09-23 | 平安科技（深圳）有限公司 | 用户界面测试方法、装置、存储介质及计算机设备 |
| CN114064157A (zh) * | 2021-11-09 | 2022-02-18 | 中国电力科学研究院有限公司 | 基于页面元素识别的自动化流程实现方法、系统、设备及介质 |
| CN114546822A (zh) * | 2021-12-27 | 2022-05-27 | 芯华章科技股份有限公司 | 测试设计的方法、电子设备及存储介质 |
| US20220391663A1 (en) * | 2021-06-02 | 2022-12-08 | Peking University | Defect location method and device based on coverage information |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102646095A (zh) * | 2011-02-18 | 2012-08-22 | 株式会社理光 | 一种基于网页分类信息的对象分类方法和系统 |
| US8612806B2 (en) * | 2011-12-16 | 2013-12-17 | Sap Ag | Systems and methods for recording user interactions within a target application |
| CN103873318A (zh) * | 2012-12-18 | 2014-06-18 | 阿里巴巴集团控股有限公司 | 一种网站自动化测试方法及自动化测试系统 |
-
2018
- 2018-09-29 CN CN201811151705.8A patent/CN109471793B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102646095A (zh) * | 2011-02-18 | 2012-08-22 | 株式会社理光 | 一种基于网页分类信息的对象分类方法和系统 |
| US8612806B2 (en) * | 2011-12-16 | 2013-12-17 | Sap Ag | Systems and methods for recording user interactions within a target application |
| CN103873318A (zh) * | 2012-12-18 | 2014-06-18 | 阿里巴巴集团控股有限公司 | 一种网站自动化测试方法及自动化测试系统 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109960655A (zh) * | 2019-03-21 | 2019-07-02 | 杭州迪普科技股份有限公司 | web测试框架的创建方法、装置、电子设备 |
| CN110399586A (zh) * | 2019-07-31 | 2019-11-01 | 深圳前海微众银行股份有限公司 | web界面元素的自动化处理方法、装置、设备及介质 |
| CN110502643A (zh) * | 2019-08-28 | 2019-11-26 | 南京璇玑信息技术有限公司 | 一种基于bert模型的预测下一句模型自动构建技术 |
| CN110888808A (zh) * | 2019-11-16 | 2020-03-17 | 云南湾谷科技有限公司 | 一种基于知识图谱的Web智能化测试的方法 |
| CN111159014B (zh) * | 2019-12-13 | 2022-05-06 | 平安医疗健康管理股份有限公司 | 探索性测试的响应方法及装置、计算机设备、存储介质 |
| CN111159014A (zh) * | 2019-12-13 | 2020-05-15 | 平安医疗健康管理股份有限公司 | 探索性测试的响应方法及装置、计算机设备、存储介质 |
| WO2021184725A1 (zh) * | 2020-03-16 | 2021-09-23 | 平安科技（深圳）有限公司 | 用户界面测试方法、装置、存储介质及计算机设备 |
| CN112988585A (zh) * | 2021-03-23 | 2021-06-18 | 京东数科海益信息科技有限公司 | 一种PaaS平台测试方法、装置、设备及介质 |
| CN112988585B (zh) * | 2021-03-23 | 2024-05-17 | 京东科技信息技术有限公司 | 一种PaaS平台测试方法、装置、设备及介质 |
| CN113127354A (zh) * | 2021-04-21 | 2021-07-16 | 武汉思普崚技术有限公司 | 基于Web UI的自动化测试方法、装置、设备及存储介质 |
| CN113127354B (zh) * | 2021-04-21 | 2023-08-11 | 武汉思普崚技术有限公司 | 基于Web UI的自动化测试方法、装置、设备及存储介质 |
| US20220391663A1 (en) * | 2021-06-02 | 2022-12-08 | Peking University | Defect location method and device based on coverage information |
| CN114064157A (zh) * | 2021-11-09 | 2022-02-18 | 中国电力科学研究院有限公司 | 基于页面元素识别的自动化流程实现方法、系统、设备及介质 |
| CN114064157B (zh) * | 2021-11-09 | 2023-09-15 | 中国电力科学研究院有限公司 | 基于页面元素识别的自动化流程实现方法、系统、设备及介质 |
| CN114546822A (zh) * | 2021-12-27 | 2022-05-27 | 芯华章科技股份有限公司 | 测试设计的方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109471793B (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109471793A (zh) | 一种基于深度学习的网页自动化测试缺陷定位方法 | |
| CN110110054B (zh) | 一种基于深度学习的从非结构化文本中获取问答对的方法 | |
| CN111026671B (zh) | 测试用例集构建方法和基于测试用例集的测试方法 | |
| CN111459799B (zh) | 一种基于Github的软件缺陷检测模型建立、检测方法及系统 | |
| CN110347894A (zh) | 基于爬虫的知识图谱处理方法、装置、计算机设备及存储介质 | |
| CN110633366B (zh) | 一种短文本分类方法、装置和存储介质 | |
| CN110968660B (zh) | 基于联合训练模型的信息抽取方法和系统 | |
| CN108984775B (zh) | 一种基于商品评论的舆情监控方法及系统 | |
| CN111427775B (zh) | 一种基于Bert模型的方法层次缺陷定位方法 | |
| CN112541600A (zh) | 一种基于知识图谱的辅助维修决策方法 | |
| CN110110334B (zh) | 一种基于自然语言处理的远程会诊记录文本纠错方法 | |
| CN105677857B (zh) | 一种关键词与营销落地页的精准匹配方法和装置 | |
| CN111061882A (zh) | 一种知识图谱构建方法 | |
| CN106339455A (zh) | 基于文本标签特征挖掘的网页正文提取方法 | |
| CN113051914A (zh) | 一种基于多特征动态画像的企业隐藏标签抽取方法及装置 | |
| CN111967267A (zh) | 一种基于XLNet的新闻文本地域提取的方法及系统 | |
| CN117574898A (zh) | 基于电网设备的领域知识图谱更新方法及系统 | |
| WO2022072237A1 (en) | Lifecycle management for customized natural language processing | |
| CN115292568B (zh) | 一种基于联合模型的民生新闻事件抽取方法 | |
| CN115510180A (zh) | 一种面向多领域的复杂事件要素抽取方法 | |
| CN115858807A (zh) | 一种基于航空装备故障知识图谱的问答系统 | |
| CN104317882A (zh) | 一种决策级中文分词融合方法 | |
| CN115757695A (zh) | 一种日志语言模型训练方法及系统 | |
| CN113361259B (zh) | 一种服务流程抽取方法 | |
| CN117873839A (zh) | 复杂算力系统的故障检测方法、装置、设备和存储介质 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210813 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |