CN110245080B - 生成场景测试用例的方法及装置 - Google Patents
生成场景测试用例的方法及装置 Download PDFInfo
- Publication number
- CN110245080B CN110245080B CN201910451264.1A CN201910451264A CN110245080B CN 110245080 B CN110245080 B CN 110245080B CN 201910451264 A CN201910451264 A CN 201910451264A CN 110245080 B CN110245080 B CN 110245080B
- Authority
- CN
- China
- Prior art keywords
- user
- behavior
- scene
- algorithm
- operation sequence
- 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.)
- Active
Links
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Input From Keyboards Or The Like (AREA)
Abstract
本发明公开了一种生成场景测试用例的方法,通过获取多个用户的使用行为信息,对获取的使用行为信息进行统计,得到对应的用户场景操作序列,然后根据行为推荐算法得到对应的用户场景操作序列的推荐场景操作序列,最后生成每一个推荐场景操作序列对应的场景测试用例,用于执行场景测试。通过预先分析用户使用行为生成测试方案,将离散的用户使用行为信息串联成用户使用场景,便于设计更准确完整的场景测试用例,并且能够准确抓住测试重点,根据用户使用行为灵活调整测试方案使其更匹配高频用户操作行为,缩短了测试时间减少了人力资源浪费。
Description
技术领域
本发明涉及测试领域,尤其是一种生成场景测试用例的方法、装置、设备和存储介质。
背景技术
APP软件的测试过程中,要提高APP的使用体验,则需要面向用户实际使用场景来设计测试用例,例如一个购物APP典型的用户使用场景描述为:用户登录-选择商品-进行商品订购-加入购物车-订单结账-购物结束,通过分析软件的用户应用场景,从用户的角度出发,设计有价值的场景测试用例,通过描绘场景流,有利于理解和执行测试用例。
但是在未知用户行为的情况下,测试人员根据个人经验模拟用户的使用过程,其设计的场景测试用例不一定能对事件流进行全面的分析,导致设计出来的用例不完整、不准确或遗漏重点高频行为,而测试方案不准确,在一定测试资源的情况下,造成不必要的时间成本提高和人力资源浪费。因此提出一种根据用户行为分析生成场景测试用例的方法来解决上述问题是很有必要的。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的目的是提供一种根据用户行为分析生成场景测试用例的方法、装置、设备和存储介质。
本发明所采用的技术方案是:
第一方面,本发明提供一种生成场景测试用例的方法,包括步骤:
获取多个用户的使用行为信息;
对所述使用行为信息进行统计,得到对应的用户场景操作序列;
根据行为推荐算法得到所述用户场景操作序列的推荐场景操作序列;
生成所述推荐场景操作序列对应的场景测试用例。
进一步地,根据行为推荐算法得到所述用户场景操作序列的推荐场景操作序列,具体位置:通过机器学习实现行为推荐算法,将所述用户场景操作序列作为训练样本,进行机器学习后得到推荐场景操作序列。
进一步地,所述使用行为信息包括操作行为和/或操作对象和/或操作时间。
进一步地,所述用户场景操作序列具体指将用户在不同操作对象上的操作行为按照时间连续的方式进行统计形成的序列。
进一步地,所述行为推荐算法包括相似用户推荐算法和操作行为推荐算法。
进一步地,所述相似用户推荐算法指根据用户兴趣相似度推荐相似用户,获取所述用户兴趣相似度的算法为余弦相似度算法或杰卡德相似度算法,其中:
余弦相似度算法表示为:
杰卡德相似度算法表示为:
其中,wuv表示用户u和用户v兴趣相似度,N(u)表示用户u有过正反馈的操作行为集合,N(v)表示用户v有过正反馈的操作行为集合,N(i)表示操作行为i的集合。
进一步地,所述操作行为推荐算法指根据用户对操作行为的兴趣程度为用户推荐操作行为,获取用户对操作行为的兴趣程度的公式表示为:
其中,p(u,i)表示用户u对操作行为i的兴趣程度,S(u,K)表示与用户u兴趣相似的K个用户集合,N(i)表示有过操作行为i的用户集合,wuv表示用户u和用户v兴趣相似度,rvi表示用户v对操作行为i的兴趣程度。
进一步地,根据行为推荐算法得到所述用户场景操作序列的推荐场景操作序列,具体为:根据用户对推荐的操作行为的兴趣程度将操作行为按照时间连续的方式增加到用户的场景操作序列中,形成所述推荐场景操作序列。
进一步地,还包括:根据所述场景测试用例进行场景测试,并生成测试报告。
第二方面,本发明还提供一种生成场景测试用例的装置,包括:
获取用户使用行为信息模块,用于获取多个用户的使用行为信息;
生成用户场景操作序列模块,用于对所述使用行为信息进行统计,得到对应的用户场景操作序列;
推荐场景操作序列生成模块,用于根据行为推荐算法得到所述用户场景操作序列的推荐场景操作序列;
生成场景测试用例模块,用于生成所述推荐场景操作序列对应的场景测试用例。
第三方面,本发明还提供一种生成场景测试用例的设备,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如第一方面任一项所述的方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。
本发明的有益效果是:
本发明通过获取多个用户的使用行为信息,对获取的使用行为信息进行统计,得到对应的用户场景操作序列,然后根据行为推荐算法得到对应的用户场景操作序列的推荐场景操作序列,最后自动生成每一个推荐场景操作序列对应的场景测试用例执行测试。通过预先分析用户使用行为生成测试方案,将离散的用户使用行为信息串联成用户使用场景,便于设计更准确完整的场景测试用例,并且能够准确抓住测试重点,根据用户使用行为灵活调整测试方案使其更匹配高频用户操作行为,缩短了测试时间,减少了人力资源浪费。
附图说明
图1是本发明中生成场景测试用例方法的一具体实施例的实现流程图;
图2是本发明中生成场景测试用例方法的一具体实施例的用户操作行为示意图;
图3是本发明中生成场景测试用例方法的一具体实施例的操作行为到不同用户的倒排表示意图;
图4是本发明中生成场景测试用例方法的一具体实施例的具体流程图;
图5是本发明中生成场景测试用例装置的一具体实施例的结构框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一:
本发明通过分析用户使用行为,生成具有针对性的场景测试用例,提高了场景测试效率和准确度,本发明实施例一提供一种生成场景测试用例的方法。
图1为本发明实施例提供的一种生成场景测试用例的方法的实现流程图,如图1所示,该方法可以包括以下步骤:
S1:获取多个用户的使用行为信息,本实施例中通过在用户客户端无痕埋点的方式收集用户使用数据,并通过用户使用数据进行分析得到使用行为信息,具体的使用行为信息包括操作行为、操作对象和操作时间,完整的获取用户从打开目标软件进行个性化使用到最后关闭目标软件产生的一系列使用数据,并将每一个操作行为涉及的操作对象和操作时间记录下来以供进一步分析。
本实施例中,通过用户使用数据进行分析得到使用行为信息具体的操作过程为:对多个用户终端的用户行为信息进行分别统计,得到各用户终端的行为状态图,该行为状态图中:不同节点对应不同的操作对象,不同节点之间的跳转对应不同操作对象之间的操作行为,并记录每次操作行为发生的时间和操作次数。
S2:对采集到的客户端用户的使用行为信息进行统计,得到对应的用户场景操作序列,具体是将用户整个操作过程中的行为状态图叠加,根据各节点之间跳转信息得到时间连续的操作序列,称为用户的场景操作序列,即用户场景操作序列具体指将用户在不同操作对象上的操作行为按照时间连续的方式进行统计。
S3:根据行为推荐算法得到用户场景操作序列的推荐场景操作序列,本实施例中,通过机器学习的过程实现行为推荐算法,指将收集到的用户行为信息的用户场景操作序列作为训练样本,进行机器学习后得到推荐场景操作序列。
其中,行为推荐算法包括相似用户推荐算法和操作行为推荐算法,具体的学习过程指针对每个目标用户通过相似用户推荐算法寻找与其操作兴趣最接近的若干个用户的集合,并根据该用户集合中的用户的操作行为,给目标用户推荐预期感兴趣的操作行为,并根据用户对推荐的操作行为的兴趣程度将操作行为增加到用户的场景操作序列中,生成包含推荐操作行为的推荐场景操作序列。
S4:根据生成每一个推荐场景操作序列,匹配调度对应的场景测试用例。
S5:根据场景测试用例进行测试,并生成测试报告。
下面介绍本实施例中行为推荐算法的具体内容。
本实施例的推荐算法本质上属于基于邻域的算法,基于邻域的算法分为两大类,一类是基于用户的协同过滤算法,另一类是基于操作行为的协同过滤算法,本实施例选用基于用户的协同过滤算法作为行为推荐算法,表示为UserCF算法,基于用户的协同过滤算法的基本思想是:例如在一个推荐系统中,当一个目标用户A需要个性化推荐操作行为时,首先找到和目标用户A兴趣相似的用户集合,然后在这个集合中用户的操作行为中,将目标用户A没有做过的操作行为推荐给目标用户A的过程。
根据上述行为推荐算法的基本思想可知,该算法包括相似用户推荐算法和操作行为推荐算法。
相似用户推荐算法指根据用户兴趣相似度推荐相似用户,获取用户兴趣相似度的算法为杰卡德相似度算法或余弦相似度算法,具体的:wuv表示用户u和用户v兴趣相似度,N(u)表示用户u有过正反馈的操作行为集合,N(v)表示用户v有过正反馈的操作行为集合,N(i)表示操作行为i的集合,本实施例中,可以将用户操作过程中的点赞、推荐、转发或正面评论定义为正反馈的操作行为。
(1)本实施例中,杰卡德相似度算法表示为:
其通过两个集合的交集在该两个集合的并集所占的比例来度量两个集合的相似度,例如,需要衡量新闻内容A和新闻内容B的相似度,即获取两者中提取出词语的交集在两者中提取出词语的并集中所占的比例就是A和B的相似度。
(2)本实施例中,余弦相似度算法表示为:
该算法是基于余弦向量公式算法,根据两个向量的夹角越小,两个向量方向越相近的特点来计算两件事物的相似度,例如提取多篇文章中有效词语的向量,当两篇文章有效词语向量的角度越小,则判断两篇文章的相似度越高。
本实施例中,将用户操作行为简化为0和1,0表示没有该操作行为,1表示进行了该操作行为,因此对代表两个操作行为的向量做交集时,相当于进行了点乘,在一个实施方式中,对操作行为进行评分,则计算时利用操作行为的评分进行相似度计算。
另外,本实施例中,对余弦相似度算法进行目的是提高准确度,现有的余弦相似度算法过于简单,结果准确度不高,例如,以图书为例,如果两个用户都曾经买过《新华字典》,根据现有余弦相似度算法计算,两者相似度很高,但是这并不能说明他们兴趣相似,因为绝大多数中国人小时候都买过《新华字典》作为学习的工具书,但如果两个用户都买过《数据挖掘导论》这类书,则可以认为其兴趣相似度较高,只有研究数据挖掘的特定领域的人才会买这本书,可以得出,如果两个用户对冷门的操作行为采取过同样的行为更能说明他们兴趣的相似度高,因此,本实施例通过对热门操作行为进行一定惩罚的方式,来改进余弦相似度算法,提高用户兴趣相似度计算的准确性。
本实施例中描述了杰卡德相似度算法和余弦相似度算法,但是不限于上述算法,凡是能实现用户相似度计算的算法均在本发明的保护范围之内。
经过上述相似用户推荐算法得到目标用户的兴趣相似的若干用户之后,需要通过操作行为推荐算法为目标用户推荐预期的操作行为。
本实施例中,操作行为推荐算法指根据用户对操作行为的兴趣程度为用户推荐操作行为,获取用户对操作行为的兴趣程度的公式表示为:
其中,p(u,i)表示用户u对操作行为i的兴趣程度,S(u,K)表示与用户u兴趣相似的K个用户集合,N(i)表示有过操作行为i的用户集合,wuv表示用户u和用户v兴趣相似度,rvi表示用户v对操作行为i的兴趣程度,本实施例中使用的是单一行为的反馈数据,所以定义所有的rvi=1。
下面通过一个具体实施方式来表示本实施例中行为推荐算法的具体过程。
如图2所示,为本实施例中用户操作行为示意图,图中示出了不同用户和其对应的不同操作行为,包括四个用户,分别表示为:A、B、C和D,操作行为包括:a、b、c、d和e,例如,用户A的操作行为表示为{a、b、d},用户B的操作行为表示为{a、c}。
如果对两两用户都利用余弦相似度算法计算两者之间的兴趣相似度,其时间复杂度是O(|U|*|U|),当用户数很大时,算法耗时很久,而事实上,很多用户相互之间并没有过同样的操作行为,即很多时候N(u)∩N(v)等于0,因此可以根据这一特性进行算法计算过程简化。
如图3所示,为本实施例中操作行为到不同用户的倒排表示意图,该表列出了执行过相应操作行为的对应用户集,C[u][v]=N(u)∩N(v)表示为一个稀疏矩阵,假设两两用户均执行过操作行为,则C[u][v]=1,否则C[u][v]=0,即可根据用户之间的操作行为得出不为0的C[u][v],可见当两个用户具有同样操作行为时,其C[u][v]为1,否则为0,利用稀疏矩阵的方法,可以减少利用余弦相似度算法计算两者之间的兴趣相似度的运算量。
根据得到的用户之间的兴趣相似度,即为目标用户推荐与其相似度高的K个用户,并根据操作行为推荐算法给目标用户推荐这K个用户的操作行为集合中,目标用户未操作但感兴趣的操作行为。例如:用户A没有执行过操作行为c和e,因此可以把这两个操作行为推荐给用户A,而操作行为c是用户B和用户D执行过的,操作行为e是用户C和用户D执行过的,因此根据操作行为推荐算法得出用户A对操作行为c和e的兴趣程度分别是:
p(A,c)=wAB+wAD
p(A,e)=wAC+wAD
其中,p(A,c)表示用户A对操作行为c的兴趣程度,p(A,e)表示用户A对操作行为e的兴趣程度,wAB表示用户A和用户B的兴趣相似度,wAC表示用户A和用户C的兴趣相似度,wAD表示用户A和用户D的兴趣相似度。
因此,如果用户A对操作行为c和操作行为e的兴趣程度比较高,则将操作行为c和操作行为e作为推荐的操作行为,并将操作行为c和操作行为e按照时间顺序串联进用户A的用户场景操作序列中,形成对应的一个推荐场景操作序列。
如图4所示,为本实施例的一种生成场景测试用例的方法的具体流程图,图中可见执行流程为:
1)通过在APP客户端无痕埋点的方式收集用户使用行为信息。
2)对采集的用户行为信息进行分析,得到对应的用户场景操作序列。
3)根据行为推荐算法为用户推荐操作行为,生成推荐场景操作序列。
4)根据推荐场景操作序列生成对应的场景测试用例,包括用例代码预编译和测试用例集分配。
5)根据场景测试用例进行测试调度执行,包括以下内容:测试任务发起->测试任务调度->测试资源调度->测试结果汇总。
6)生成测试报告,即记录测试执行过程及结果,并反馈测试结果至用户行为信息分析部分,提高分析建模的准确度。
本实施中,可根据自动化测试用例的编写方式,编写对应场景测试的自动化场景测试用例,以实现自动化的场景测试。
本实施例通过用户兴趣相似度进行过滤推荐,将操作行为按照用户操作时间的连续性进行串联,从而预测出高频的推荐场景操作序列。通过预先分析用户使用行为生成测试方案,将离散的用户使用行为信息串联成用户使用场景,便于设计更准确完整的场景测试用例,并且能够准确抓住测试重点,根据用户使用行为灵活调整测试方案使其更匹配高频用户操作行为,缩短了测试时间减少了人力资源浪费。
下面是本发明实施例二:
如图5所示,为本发明提供的一种生成场景测试用例的装置结构框图,包括:
获取用户使用行为信息模块10,用于获取多个用户的使用行为信息;
生成用户场景操作序列模块20,用于对所述使用行为信息进行统计,得到对应的用户场景操作序列;
推荐场景操作序列生成模块30,用于根据行为推荐算法得到所述的用户场景操作序列的推荐场景操作序列;
生成场景测试用例模块40,用于自动生成每一个所述推荐场景操作序列对应的场景测试用例。
在实施例中,还包括测试模块,用于根据所述场景测试用例进行测试并生成测试报告。
实施例三:
另外,本发明还提供了一种生成场景测试用例的设备,包括:
至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如实施例一所述的方法。
另外,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,其中计算机可执行指令用于使计算机执行如实施例一所述的方法。
以上各实施例仅用以说明本发明的技术方案,而非对其限制,尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种生成场景测试用例的方法,其特征在于,包括步骤:
根据APP客户端无痕埋点方式获取多个用户的使用行为信息;
对所述使用行为信息进行统计,得到对应的用户场景操作序列;
根据行为推荐算法得到所述用户场景操作序列的推荐场景操作序列;
生成所述推荐场景操作序列对应的场景测试用例;
其中,所述行为推荐算法包括相似用户推荐算法和操作行为推荐算法,所述相似用户推荐算法指根据用户兴趣相似度推荐相似用户,获取所述用户兴趣相似度的算法为余弦相似度算法或杰卡德相似度算法,其中:
余弦相似度算法表示为:
杰卡德相似度算法表示为:
其中,wuv表示用户u和用户v兴趣相似度,N(u)表示用户u有过正反馈的操作行为集合,N(v)表示用户v有过正反馈的操作行为集合,N(i)表示操作行为i的集合,C[u][v]=N(u)∩N(v)表示为一个稀疏矩阵;
当每两个用户均执行过操作行为,则C[u][v]=1,否则C[u][v]=0;
所述操作行为推荐算法指根据用户对操作行为的兴趣程度为用户推荐操作行为,获取用户对操作行为的兴趣程度的公式表示为:
其中,p(u,i)表示用户u对操作行为i的兴趣程度,S(u,K)表示与用户u兴趣相似的K个用户集合,N(i)表示有过操作行为i的用户集合,wuv表示用户u和用户v兴趣相似度,rvi表示用户v对操作行为i的兴趣程度。
2.根据权利要求1所述的一种生成场景测试用例的方法,其特征在于,根据行为推荐算法得到所述用户场景操作序列的推荐场景操作序列,具体为:通过机器学习实现行为推荐算法,将所述用户场景操作序列作为训练样本,进行机器学习后得到推荐场景操作序列。
3.根据权利要求1所述的一种生成场景测试用例的方法,其特征在于,所述使用行为信息包括操作行为和/或操作对象和/或操作时间。
4.根据权利要求3所述的一种生成场景测试用例的方法,其特征在于,所述用户场景操作序列具体指将用户在不同操作对象上的操作行为按照时间连续的方式进行统计形成的序列。
5.根据权利要求1所述的一种生成场景测试用例的方法,其特征在于,根据行为推荐算法得到所述用户场景操作序列的推荐场景操作序列,具体为:根据用户对推荐的操作行为的兴趣程度将操作行为按照时间连续的方式增加到用户的场景操作序列中,形成所述推荐场景操作序列。
6.根据权利要求1所述的一种生成场景测试用例的方法,其特征在于,还包括:根据所述场景测试用例进行场景测试,并生成测试报告。
7.一种生成场景测试用例的装置,其特征在于,包括:
获取用户使用行为信息模块,用于根据APP客户端无痕埋点方式获取多个用户的使用行为信息;
生成用户场景操作序列模块,用于对所述使用行为信息进行统计,得到对应的用户场景操作序列;
推荐场景操作序列生成模块,用于根据行为推荐算法得到所述用户场景操作序列的推荐场景操作序列,所述行为推荐算法包括相似用户推荐算法和操作行为推荐算法;
生成场景测试用例模块,用于生成所述推荐场景操作序列对应的场景测试用例;
其中,所述行为推荐算法包括相似用户推荐算法和操作行为推荐算法,所述相似用户推荐算法指根据用户兴趣相似度推荐相似用户,获取所述用户兴趣相似度的算法为余弦相似度算法或杰卡德相似度算法,其中:
余弦相似度算法表示为:
杰卡德相似度算法表示为:
其中,wuv表示用户u和用户v兴趣相似度,N(u)表示用户u有过正反馈的操作行为集合,N(v)表示用户v有过正反馈的操作行为集合,N(i)表示操作行为i的集合,C[u][v]=N(u)∩N(v)表示为一个稀疏矩阵;
当每两个用户均执行过操作行为,则C[u][v]=1,否则C[u][v]=0;
所述操作行为推荐算法指根据用户对操作行为的兴趣程度为用户推荐操作行为,获取用户对操作行为的兴趣程度的公式表示为:
其中,p(u,i)表示用户u对操作行为i的兴趣程度,S(u,K)表示与用户u兴趣相似的K个用户集合,N(i)表示有过操作行为i的用户集合,wuv表示用户u和用户v兴趣相似度,rvi表示用户v对操作行为i的兴趣程度。
8.一种生成场景测试用例的设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如权利要求1至6任一项所述的方法。
9.一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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910451264.1A CN110245080B (zh) | 2019-05-28 | 2019-05-28 | 生成场景测试用例的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910451264.1A CN110245080B (zh) | 2019-05-28 | 2019-05-28 | 生成场景测试用例的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245080A CN110245080A (zh) | 2019-09-17 |
CN110245080B true CN110245080B (zh) | 2022-08-16 |
Family
ID=67885220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910451264.1A Active CN110245080B (zh) | 2019-05-28 | 2019-05-28 | 生成场景测试用例的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245080B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110673590B (zh) * | 2019-10-21 | 2021-02-05 | 安徽江淮汽车集团股份有限公司 | 自动驾驶系统可靠性判断方法、装置、设备及存储介质 |
CN112783754A (zh) * | 2019-11-07 | 2021-05-11 | 北京沃东天骏信息技术有限公司 | 一种对页面进行测试的方法和装置 |
CN110879785B (zh) * | 2019-11-25 | 2023-05-30 | 斑马网络技术有限公司 | 接口测试场景集的生成方法 |
CN111143223A (zh) * | 2019-12-30 | 2020-05-12 | 珠海金山网络游戏科技有限公司 | 一种服务器压力测试方法及装置 |
CN111708712A (zh) * | 2020-06-24 | 2020-09-25 | 北京自如信息科技有限公司 | 用户行为测试用例的生成方法、流量回放方法及电子设备 |
CN113672496B (zh) * | 2021-07-09 | 2023-12-22 | 微梦创科网络科技(中国)有限公司 | 一种基于余弦相似度的测试方法及系统 |
CN117592451A (zh) * | 2023-11-21 | 2024-02-23 | 北京瑞风协同科技股份有限公司 | 基于智能推荐的试验方案在线编写方法、系统及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103713989A (zh) * | 2012-09-29 | 2014-04-09 | 百度在线网络技术(北京)有限公司 | 一种针对用户终端的测试用例生成方法和装置 |
CN106815297A (zh) * | 2016-12-09 | 2017-06-09 | 宁波大学 | 一种学术资源推荐服务系统与方法 |
CN107491384A (zh) * | 2016-06-12 | 2017-12-19 | 富士通株式会社 | 信息处理装置、信息处理方法以及信息处理设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI525460B (zh) * | 2013-10-07 | 2016-03-11 | 財團法人資訊工業策進會 | 電子計算裝置、其個人化資訊推薦方法及其電腦程式產品 |
-
2019
- 2019-05-28 CN CN201910451264.1A patent/CN110245080B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103713989A (zh) * | 2012-09-29 | 2014-04-09 | 百度在线网络技术(北京)有限公司 | 一种针对用户终端的测试用例生成方法和装置 |
CN107491384A (zh) * | 2016-06-12 | 2017-12-19 | 富士通株式会社 | 信息处理装置、信息处理方法以及信息处理设备 |
CN106815297A (zh) * | 2016-12-09 | 2017-06-09 | 宁波大学 | 一种学术资源推荐服务系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110245080A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245080B (zh) | 生成场景测试用例的方法及装置 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
Hallgren | Conducting simulation studies in the R programming environment | |
CN109033408B (zh) | 信息推送方法及装置、计算机可读存储介质、电子设备 | |
CN107978189B (zh) | 一种习题的智能推送方法、系统及终端设备 | |
CN105913088A (zh) | 一种卡顿识别方法、装置及计算设备 | |
US20210224481A1 (en) | Method and apparatus for topic early warning, computer equipment and storage medium | |
CN104993962A (zh) | 获取终端使用状态的方法和系统 | |
Olney et al. | Assessing Computer Literacy of Adults with Low Literacy Skills. | |
CN107766316B (zh) | 评价数据的分析方法、装置及系统 | |
WO2017000743A1 (zh) | 一种软件推荐的方法和装置 | |
CN109685104B (zh) | 一种识别模型的确定方法和装置 | |
CN111460290A (zh) | 信息的推荐方法、装置、设备和存储介质 | |
CN111368051A (zh) | 一种对话生成方法、装置及计算机设备 | |
CN111475628A (zh) | 会话数据处理方法、装置、计算机设备和存储介质 | |
Yang et al. | Towards fine-grained causal reasoning and qa | |
CN110929169A (zh) | 基于改进Canopy聚类协同过滤算法的职位推荐方法 | |
Nafea et al. | A novel algorithm for dynamic student profile adaptation based on learning styles | |
CN116680401A (zh) | 文档处理方法、文档处理装置、设备及存储介质 | |
CN106445934A (zh) | 一种数据处理方法和装置 | |
Zhou et al. | Reflection of thought: Inversely eliciting numerical reasoning in language models via solving linear systems | |
Jiang et al. | Many-Shot In-Context Learning in Multimodal Foundation Models | |
CN113569741A (zh) | 图像试题的答案生成方法、装置、电子设备及可读介质 | |
US10740521B1 (en) | System and method for localized logic simulation replay using emulated values | |
CN113704452A (zh) | 基于Bert模型的数据推荐方法、装置、设备及介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 361000 Area 1F-D1, Huaxun Building A, Software Park, Xiamen Torch High-tech Zone, Xiamen City, Fujian Province Applicant after: Xiamen Meishao Co.,Ltd. Address before: 361000 Area 1F-D1, Huaxun Building A, Software Park, Xiamen Torch High-tech Zone, Xiamen City, Fujian Province Applicant before: XIAMEN MEIYOU INFORMATION SCIENCE & TECHNOLOGY CO.,LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |