CN111026661B - 一种软件易用性全面测试方法及系统 - Google Patents
一种软件易用性全面测试方法及系统 Download PDFInfo
- Publication number
- CN111026661B CN111026661B CN201911238573.7A CN201911238573A CN111026661B CN 111026661 B CN111026661 B CN 111026661B CN 201911238573 A CN201911238573 A CN 201911238573A CN 111026661 B CN111026661 B CN 111026661B
- Authority
- CN
- China
- Prior art keywords
- test
- usability
- model
- index
- weight value
- 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
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
- G06F11/3608—Software analysis for verifying properties of programs using formal methods, e.g. model checking, abstract interpretation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种软件易用性全面测试方法,包括:获取软件易用性的测试指标,将所述测试指标按照不同层次进行分类,得到测试指标体系;建立层次分析模型,通过层次分析算法对所述测试指标体系中的各个测试指标的权重值进行计算,得到各个测试指标对应的权重值;以所述各个测试指标对应的权重值为参数,基于神经网络算法建立易用性测试模型,将所述参数作为初始权值并设置初始阈值;在所述易用性测试模型中输入测试样本,通过优化算法对所述易用性测试模型进行优化调整所述初始权值和初始阈值,得到易用性测试优化模型;将目标软件输入所述易用性测试优化模型进行模拟运行,输出得到所述目标软件的易用性测试结果。
Description
技术领域
本发明涉及软件测试领域,尤其涉及一种软件易用性全面测试方法及系统。
背景技术
在软件需求不断增加的情况下,需要改善优化软件以提高用户体验。软件的易用性是决定软件产品能否提高用户体验的重要标准,如果需要提高用户体验,则需要提高软件的易用性。因此,对于软件生存周期而言,易用性评测是不可或缺的一部分,它能通过测试手段获取数据,通过科学化的方法来分析软件产品易用性指标的量化结果,并最终以此为依据来评价软件产品易用性质量的好坏。
现有技术中对于软件易用性的测试方案主要是通过测试人员对软件产品的使用测试进行评价,或者通过收集用户反馈信息进行软件易用性评价,从而对软件进行改进。但是通过测试人员进行测试评价的方式过于片面,得到的易用性测试结果代表性不强;而通过收集用户反馈进行评价的方式效果不佳,主要体现在信息反馈收集效率慢,自动化程度极低,往往在软件更新迭代之后才能得到该软件的易用性评价结果,分析结果意义不大。
因此,目前极需开发一种软件易用性测试方案,实现快速地对软件产品的全面综合测评,以提高软件易用性测试效率和测试结果的准确性。
发明内容
本发明提供了一种软件易用性全面测试方法,通过建立测试指标体系并计算得到测试指标的权重值,基于神经网络算法建立易用性测试模型对权重值进行优化,实现对目标软件的自动化测试,以解决现有技术中对于软件易用性的测试方案存在测试评价方式片面、测试效率低的技术问题,从而快速地对软件产品的全面综合测评,进而实现提高软件易用性测试效率和测试结果的准确性。
为了解决上述技术问题,本发明实施例提供了一种软件易用性全面测试方法,包括:
获取软件易用性的测试指标,将所述测试指标按照不同层次进行分类,得到测试指标体系;
建立层次分析模型,通过层次分析算法对所述测试指标体系中的各个测试指标的权重值进行计算,得到各个测试指标对应的权重值;
以所述各个测试指标对应的权重值为参数,基于神经网络算法建立易用性测试模型,将所述参数作为初始权值并设置初始阈值;
在所述易用性测试模型中输入测试样本,通过优化算法对所述易用性测试模型进行优化调整所述初始权值和初始阈值,得到易用性测试优化模型;
将目标软件输入所述易用性测试优化模型进行模拟运行,输出得到所述目标软件的易用性测试结果。
作为优选方案,所述获取软件易用性的测试指标,将所述测试指标按照不同层次进行分类,得到测试指标体系,具体包括:
通过字词识别技术对测试指标进行类型识别,确定各个测试指标的语义;
根据各个测试指标的语义中的包含逻辑,对所述各个测试指标进行指标类型划分;所述指标类型包括一级类型、二级类型和三级类型;所述一级类型包含二级类型,所述二级类型包含三级类型;
根据包含逻辑对各个测试指标进行树状关联处理,形成测试指标体系。
作为优选方案,所述建立层次分析模型,通过层次分析算法对所述测试指标体系中的各个测试指标的权重值进行计算,得到各个测试指标对应的权重值,具体包括:
根据指标类型建立多级层次分析模型;其中,所述一级类型为最高层,所述二级类型为中间层,所述三级类型为最底层;
根据所述最高层、中间层和最底层,构建各级层次之间任意两级层次的判断矩阵;
根据各个判断矩阵计算出各级层次的单排序权值;
根据所述单排序权值计算各级层次中测试指标的最终组合权重值。
作为优选方案,所述以所述各个测试指标对应的权重值为参数,基于神经网络算法建立易用性测试模型,将所述参数作为初始权值并设置初始阈值,具体包括:
根据各个测试指标的指标类型,将所述各个测试指标设置为对应的神经网络节点,建立易用性测试模型;
确定所述易用性测试模型中的数据源输入节点数和数据源输出节点数,并配置各个测试指标的权重值为初始权值,以及配置所述初始权值的初始阈值;
根据神经网络算法函数对所述易用性测试模型进行配置各个神经网络节点之间的传输神经网络路径,完成易用性测试模型初始化。
作为优选方案,所述在所述易用性测试模型中输入测试样本,通过优化算法对所述易用性测试模型进行优化调整所述初始权值和初始阈值,得到易用性测试优化模型,具体包括:
获取测试样本并将所述测试样本输入数据源输入节点;
通过传输神经网络路径,从神经网络的最底层对初始权值进行计算各个神经网络节点的输出值;
通过粒子群算法对各个神经网络节点的输出值进行优化,根据所述初始阈值对初始权值进行修改迭代,直到各个权值达到预设的精度阈值,得到易用性测试优化模型。
作为优选方案,所述将目标软件输入所述易用性测试优化模型进行模拟运行,输出得到所述目标软件的易用性测试结果,具体包括:
对输入的目标软件进行初始化,判断所述目标软件的完整性;
对目标软件进行模拟运行,通过易用性测试优化模型进行各个神经网络节点计算;
将各个神经网络节点的输出权值进行组合计算,得到目标软件的易用性测试结果。
作为优选方案,在所述获取软件易用性的测试指标之前,还包括:
通过爬虫技术获取用户评价信息,并通过字词识别技术对所述评价信息进行字词识别提取评价关键词,将所述评价关键词储存在数据库中,作为测试指标。
本发明实施例提供了一种软件易用性全面测试系统,包括:
指标体系构建模块,用于获取软件易用性的测试指标,将所述测试指标按照不同层次进行分类,得到测试指标体系;
权重值计算模块,用于建立层次分析模型,通过层次分析算法对所述测试指标体系中的各个测试指标的权重值进行计算,得到各个测试指标对应的权重值;
测试模型构建模块,用于以所述各个测试指标对应的权重值为参数,基于神经网络算法建立易用性测试模型,将所述参数作为初始权值并设置初始阈值;
测试模型优化模块,用于在所述易用性测试模型中输入测试样本,通过优化算法对所述易用性测试模型进行优化调整所述初始权值和初始阈值,得到易用性测试优化模型;
测试结果输出模块,用于将目标软件输入所述易用性测试优化模型进行模拟运行,输出得到所述目标软件的易用性测试结果。
作为优选方案,所述指标体系构建模块包括:
指标识别单元,用于通过字词识别技术对测试指标进行类型识别,确定各个测试指标的语义;
类型划分单元,用于根据各个测试指标的语义中的包含逻辑,对所述各个测试指标进行指标类型划分;所述指标类型包括一级类型、二级类型和三级类型;所述一级类型包含二级类型,所述二级类型包含三级类型;
树状关联单元,用于根据包含逻辑对各个测试指标进行树状关联处理,形成测试指标体系。
作为优选方案,所述权重值计算模块包括:
分析模型构建单元,用于根据指标类型建立多级层次分析模型;其中,所述一级类型为最高层,所述二级类型为中间层,所述三级类型为最底层;
判断矩阵单元,用于根据所述最高层、中间层和最底层,构建各级层次之间任意两级层次的判断矩阵;
单排序权值单元,用于根据各个判断矩阵计算出各级层次的单排序权值;
组合权重值单元,用于根据所述单排序权值计算各级层次中测试指标的最终组合权重值。
作为优选方案,所述测试模型构建模块包括:
测试模型建立单元,用于根据各个测试指标的指标类型,将所述各个测试指标设置为对应的神经网络节点,建立易用性测试模型;
参数配置单元,用于确定所述易用性测试模型中的数据源输入节点数和数据源输出节点数,并配置各个测试指标的权重值为初始权值,以及配置所述初始权值的初始阈值;
神经网络路径单元,用于根据神经网络算法函数对所述易用性测试模型进行配置各个神经网络节点之间的传输神经网络路径,完成易用性测试模型初始化。
作为优选方案,所述测试模型优化模块包括:
测试样本单元,用于获取测试样本并将所述测试样本输入数据源输入节点;
节点输出单元,用于通过传输神经网络路径,从神经网络的最底层对初始权值进行计算各个神经网络节点的输出值;
权值优化单元,用于通过粒子群算法对各个神经网络节点的输出值进行优化,根据所述初始阈值对初始权值进行修改迭代,直到各个权值达到预设的精度阈值,得到易用性测试优化模型。
作为优选方案,所述测试结果输出模块包括:
完整性判断单元,用于对输入的目标软件进行初始化,判断所述目标软件的完整性;
模拟运行单元,用于对目标软件进行模拟运行,通过易用性测试优化模型进行各个神经网络节点计算;
输出权值单元,用于将各个神经网络节点的输出权值进行组合计算,得到目标软件的易用性测试结果。
作为优选方案,在所述获取软件易用性的测试指标之前,还包括:测试指标提取模块,用于通过爬虫技术获取用户评价信息,并通过字词识别技术对所述评价信息进行字词识别提取评价关键词,将所述评价关键词储存在数据库中,作为测试指标。
本发明实施例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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的软件易用性全面测试方法。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上述任一项所述的软件易用性全面测试方法。
相比于现有技术,本发明实施例具有如下有益效果:
本发明通过建立测试指标体系并计算得到测试指标的权重值,基于神经网络算法建立易用性测试模型对权重值进行优化,实现对目标软件的自动化测试,以解决现有技术中对于软件易用性的测试方案存在测试评价方式片面、测试效率低的技术问题,从而快速地对软件产品的全面综合测评,进而实现提高软件易用性测试效率和测试结果的准确性。
附图说明
图1:为本发明实施例中的软件易用性全面测试方法的步骤流程图;
图2:为本发明实施例中的软件易用性全面测试系统的结构示意图。
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作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。
请参照图1,本发明优选实施例提供了一种软件易用性全面测试方法,包括:
S1,获取软件易用性的测试指标,将所述测试指标按照不同层次进行分类,得到测试指标体系;在本实施例中,所述步骤S1具体包括:
S11,通过字词识别技术对测试指标进行类型识别,确定各个测试指标的语义;S12,根据各个测试指标的语义中的包含逻辑,对所述各个测试指标进行指标类型划分;所述指标类型包括一级类型、二级类型和三级类型;所述一级类型包含二级类型,所述二级类型包含三级类型;S13,根据包含逻辑对各个测试指标进行树状关联处理,形成测试指标体系。
具体地,获得的测试指标可以是多样化的,例如:易用可行、易操作、易学习、易理解、界面多按钮、窗口浮标、图形统计等等。其中,界面多按钮、窗口浮标和图形统计是具体的评价因素,为三级类型;根据图形统计可以判断目标软件为易理解,根据窗口浮标可以判断目标软件为易学习,根据界面多按钮可以判断目标软件为易操作,因此,易操作、易学习和易理解为二级类型;另外,根据易操作、易学习和易理解可以判断目标软件为易用可行,因此,易用可行为一级类型。
S2,建立层次分析模型,通过层次分析算法对所述测试指标体系中的各个测试指标的权重值进行计算,得到各个测试指标对应的权重值;在本实施例中,所述步骤S2具体包括:
S21,根据指标类型建立多级层次分析模型;其中,所述一级类型为最高层,所述二级类型为中间层,所述三级类型为最底层;S22,根据所述最高层、中间层和最底层,构建各级层次之间任意两级层次的判断矩阵;S23,根据各个判断矩阵计算出各级层次的单排序权值;S24,根据所述单排序权值计算各级层次中测试指标的最终组合权重值。
具体地,所述层次分析算法为AHP层次分析法。首先将决策的目标、考虑的因素和决策对象按它们之间的相互关系分为最高层、中间层和最低层,绘出层次结构图;最高层是指决策的目的、要解决的问题,最低层是指决策时的备选方案,中间层是指考虑的因素、决策的准则;对于相邻的两层,称高层为目标层,低层为因素层。
在确定各层次各因素之间的权重时,如果只是定性的结果,则常常不容易被别人接受,因而提出一致矩阵法,即不把所有因素放在一起比较,而是两两相互比较,对此时采用相对尺度,以尽可能减少性质不同的诸因素相互比较的困难,以提高准确度。如对某一准则,对其下的各方案进行两两对比,并按其重要性程度评定等级。aij为要素i与要素j重要性比较结果,按两两比较结果构成的矩阵称作判断矩阵。判断矩阵具有如下性质:
对应于判断矩阵最大特征根λmax的特征向量,经归一化(使向量中各元素之和等于1)后记为W。W的元素为同一层次因素对于上一层次因素某因素相对重要性的排序权值,这一过程称为层次单排序。能否确认层次单排序,则需要进行一致性检验,所谓一致性检验是指对A确定不一致的允许范围。其中,n阶一致阵的唯一非零特征根为n;n阶正互反阵A的最大特征根λ≥n,当且仅当λ=n时,A为一致矩阵。由于λ连续的依赖于aij,则λ比n大的越多,A的不一致性越严重,一致性指标用CI计算,CI越小,说明一致性越大。用最大特征值对应的特征向量作为被比较因素对上层某因素影响程度的权向量,其不一致程度越大,引起的判断误差越大。因而可以用λ-n数值的大小来衡量A的不一致程度。定义一致性指标为:
其中,CI=0,有完全的一致性;CI接近于0,有满意的一致性;CI越大,不一致越严重。为衡量CI的大小,引入随机一致性指标RI:
其中,随机一致性指标RI和判断矩阵的阶数有关,一般情况下,矩阵阶数越大,则出现一致性随机偏离的可能性也越大。
考虑到一致性的偏离可能是由于随机原因造成的,因此在检验判断矩阵是否具有满意的一致性时,还需将CI和随机一致性指标RI进行比较,得出检验系数CR,公式如下:
一般,如果CR<0.1,则认为该判断矩阵通过一致性检验,否则就不具有满意一致性。
最后,计算某一层次所有因素对于最高层(总目标)相对重要性的权值,称为层次总排序。这一过程是从最高层次到最低层次依次进行的。
本步骤通过抽象出的易用性评测的核心指标建立软件易用性评测的指标体系,建立层次分析模型,本项目使用AHP层次分析法计法算出易用性评测各个核心指标的权重。
S3,以所述各个测试指标对应的权重值为参数,基于神经网络算法建立易用性测试模型,将所述参数作为初始权值并设置初始阈值;在本实施例中,所述步骤S3具体包括:
S31,根据各个测试指标的指标类型,将所述各个测试指标设置为对应的神经网络节点,建立易用性测试模型;S32,确定所述易用性测试模型中的数据源输入节点数和数据源输出节点数,并配置各个测试指标的权重值为初始权值,以及配置所述初始权值的初始阈值;S33,根据神经网络算法函数对所述易用性测试模型进行配置各个神经网络节点之间的传输神经网络路径,完成易用性测试模型初始化。
具体地,所述神经网络算法为BP算法,建立BP神经网络模型为测试模型。通过层次分析获得各指标权重值,建立基于BP神经网络的软件易用性评测模型,输入学习样本,通过己设定的网络结构和前一次迭代的权值和阈值,从网络的输入层开始向后计算各神经元的输出。
S4,在所述易用性测试模型中输入测试样本,通过优化算法对所述易用性测试模型进行优化调整所述初始权值和初始阈值,得到易用性测试优化模型;在本实施例中,所述步骤S4具体包括:
S41,获取测试样本并将所述测试样本输入数据源输入节点;S42,通过传输神经网络路径,从神经网络的最底层对初始权值进行计算各个神经网络节点的输出值;S43,通过粒子群算法对各个神经网络节点的输出值进行优化,根据所述初始阈值对初始权值进行修改迭代,直到各个权值达到预设的精度阈值,得到易用性测试优化模型。
具体地,对权值和阈值的修改,从最后一层向前计算出各个权值和阈值对总误差的影响(梯度),据此对各个权值和阈值进行修改。以上两个过程反复进行,直至达到所设定的精度为止。得到可用于评测软件易用性的BP人工神经网络模型。通过AHP层次分析法获得各指标权重值,用于建立BP神经网络的软件易用性评价模型,采取改进粒子群算法优化网络初始权值和阈值,利用改进BP算法训练BP神经网络评价模型。
S5,将目标软件输入所述易用性测试优化模型进行模拟运行,输出得到所述目标软件的易用性测试结果。在本实施例中,所述步骤S5具体包括:
S51,对输入的目标软件进行初始化,判断所述目标软件的完整性;S52,对目标软件进行模拟运行,通过易用性测试优化模型进行各个神经网络节点计算;S53,将各个神经网络节点的输出权值进行组合计算,得到目标软件的易用性测试结果。具体地,将测试样本输入已学习好的BP神经网络模型,对得到测试输出结果进行误差分析,以判断网络模型的适用性。
在另一实施例中,在所述获取软件易用性的测试指标之前,还包括:通过爬虫技术获取用户评价信息,并通过字词识别技术对所述评价信息进行字词识别提取评价关键词,将所述评价关键词储存在数据库中,作为测试指标。
具体地,评价信息可以在各论坛中进行提取,可以更客观地、全面地得到用户对目标软件的易用性评价,使测试模型输出结果更加准确。构造大量的测试指标储存在数据库中,针对不同的目标软件类型提取相应的测试指标,可以进一步使目标软件的易用性测评更准确,也使得测试指标的提取更加方便,只要在数据库中提取相应的指标即可,提高了测评效率。
相应地,请参考图2,本发明实施例提供了一种软件易用性全面测试系统,包括:
指标体系构建模块,用于获取软件易用性的测试指标,将所述测试指标按照不同层次进行分类,得到测试指标体系;
权重值计算模块,用于建立层次分析模型,通过层次分析算法对所述测试指标体系中的各个测试指标的权重值进行计算,得到各个测试指标对应的权重值;
测试模型构建模块,用于以所述各个测试指标对应的权重值为参数,基于神经网络算法建立易用性测试模型,将所述参数作为初始权值并设置初始阈值;
测试模型优化模块,用于在所述易用性测试模型中输入测试样本,通过优化算法对所述易用性测试模型进行优化调整所述初始权值和初始阈值,得到易用性测试优化模型;
测试结果输出模块,用于将目标软件输入所述易用性测试优化模型进行模拟运行,输出得到所述目标软件的易用性测试结果。
在本实施例中,所述指标体系构建模块包括:
指标识别单元,用于通过字词识别技术对测试指标进行类型识别,确定各个测试指标的语义;
类型划分单元,用于根据各个测试指标的语义中的包含逻辑,对所述各个测试指标进行指标类型划分;所述指标类型包括一级类型、二级类型和三级类型;所述一级类型包含二级类型,所述二级类型包含三级类型;
树状关联单元,用于根据包含逻辑对各个测试指标进行树状关联处理,形成测试指标体系。
在本实施例中,所述权重值计算模块包括:
分析模型构建单元,用于根据指标类型建立多级层次分析模型;其中,所述一级类型为最高层,所述二级类型为中间层,所述三级类型为最底层;
判断矩阵单元,用于根据所述最高层、中间层和最底层,构建各级层次之间任意两级层次的判断矩阵;
单排序权值单元,用于根据各个判断矩阵计算出各级层次的单排序权值;
组合权重值单元,用于根据所述单排序权值计算各级层次中测试指标的最终组合权重值。
在本实施例中,所述测试模型构建模块包括:
测试模型建立单元,用于根据各个测试指标的指标类型,将所述各个测试指标设置为对应的神经网络节点,建立易用性测试模型;
参数配置单元,用于确定所述易用性测试模型中的数据源输入节点数和数据源输出节点数,并配置各个测试指标的权重值为初始权值,以及配置所述初始权值的初始阈值;
神经网络路径单元,用于根据神经网络算法函数对所述易用性测试模型进行配置各个神经网络节点之间的传输神经网络路径,完成易用性测试模型初始化。
在本实施例中,所述测试模型优化模块包括:
测试样本单元,用于获取测试样本并将所述测试样本输入数据源输入节点;
节点输出单元,用于通过传输神经网络路径,从神经网络的最底层对初始权值进行计算各个神经网络节点的输出值;
权值优化单元,用于通过粒子群算法对各个神经网络节点的输出值进行优化,根据所述初始阈值对初始权值进行修改迭代,直到各个权值达到预设的精度阈值,得到易用性测试优化模型。
在本实施例中,所述测试结果输出模块包括:
完整性判断单元,用于对输入的目标软件进行初始化,判断所述目标软件的完整性;
模拟运行单元,用于对目标软件进行模拟运行,通过易用性测试优化模型进行各个神经网络节点计算;
输出权值单元,用于将各个神经网络节点的输出权值进行组合计算,得到目标软件的易用性测试结果。
在另一实施例中,在所述获取软件易用性的测试指标之前,还包括:测试指标提取模块,用于通过爬虫技术获取用户评价信息,并通过字词识别技术对所述评价信息进行字词识别提取评价关键词,将所述评价关键词储存在数据库中,作为测试指标。
本发明实施例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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的软件易用性全面测试方法。
本发明实施例还提供了一种终端设备,所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现上述任一实施例所述的软件易用性全面测试方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,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,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种软件易用性全面测试方法,其特征在于,包括:
获取软件易用性的测试指标,将所述测试指标按照不同层次进行分类,得到测试指标体系;
建立层次分析模型,通过层次分析算法对所述测试指标体系中的各个测试指标的权重值进行计算,得到各个测试指标对应的权重值;
以所述各个测试指标对应的权重值为参数,基于神经网络算法建立易用性测试模型,将所述参数作为初始权值并设置初始阈值;
在所述易用性测试模型中输入测试样本,通过优化算法对所述易用性测试模型进行优化调整所述初始权值和初始阈值,得到易用性测试优化模型;
将目标软件输入所述易用性测试优化模型进行模拟运行,输出得到所述目标软件的易用性测试结果;
其中,所述建立层次分析模型,通过层次分析算法对所述测试指标体系中的各个测试指标的权重值进行计算,得到各个测试指标对应的权重值,具体包括:
根据指标类型建立多级层次分析模型;其中,一级类型为最高层,二级类型为中间层,三级类型为最底层;
根据所述最高层、中间层和最底层,构建各级层次之间任意两级层次的判断矩阵;
根据各个判断矩阵计算出各级层次的单排序权值;
根据所述单排序权值计算各级层次中测试指标的最终组合权重值;
所述以所述各个测试指标对应的权重值为参数,基于神经网络算法建立易用性测试模型,将所述参数作为初始权值并设置初始阈值,具体包括:
根据各个测试指标的指标类型,将所述各个测试指标设置为对应的神经网络节点,建立易用性测试模型;
确定所述易用性测试模型中的数据源输入节点数和数据源输出节点数,并配置各个测试指标的权重值为初始权值,以及配置所述初始权值的初始阈值;
根据神经网络算法函数对所述易用性测试模型进行配置各个神经网络节点之间的传输神经网络路径,完成易用性测试模型初始化。
2.如权利要求1所述的软件易用性全面测试方法,其特征在于,所述获取软件易用性的测试指标,将所述测试指标按照不同层次进行分类,得到测试指标体系,具体包括:
通过字词识别技术对测试指标进行类型识别,确定各个测试指标的语义;
根据各个测试指标的语义中的包含逻辑,对所述各个测试指标进行指标类型划分;所述指标类型包括一级类型、二级类型和三级类型;所述一级类型包含二级类型,所述二级类型包含三级类型;
根据包含逻辑对各个测试指标进行树状关联处理,形成测试指标体系。
3.如权利要求1所述的软件易用性全面测试方法,其特征在于,所述在所述易用性测试模型中输入测试样本,通过优化算法对所述易用性测试模型进行优化调整所述初始权值和初始阈值,得到易用性测试优化模型,具体包括:
获取测试样本并将所述测试样本输入数据源输入节点;
通过传输神经网络路径,从神经网络的最底层对初始权值进行计算各个神经网络节点的输出值;
通过粒子群算法对各个神经网络节点的输出值进行优化,根据所述初始阈值对初始权值进行修改迭代,直到各个权值达到预设的精度阈值,得到易用性测试优化模型。
4.如权利要求3所述的软件易用性全面测试方法,其特征在于,所述将目标软件输入所述易用性测试优化模型进行模拟运行,输出得到所述目标软件的易用性测试结果,具体包括:
对输入的目标软件进行初始化,判断所述目标软件的完整性;
对目标软件进行模拟运行,通过易用性测试优化模型进行各个神经网络节点计算;
将各个神经网络节点的输出权值进行组合计算,得到目标软件的易用性测试结果。
5.如权利要求1所述的软件易用性全面测试方法,其特征在于,在所述获取软件易用性的测试指标之前,还包括:
通过爬虫技术获取用户评价信息,并通过字词识别技术对所述评价信息进行字词识别提取评价关键词,将所述评价关键词储存在数据库中,作为测试指标。
6.一种软件易用性全面测试系统,其特征在于,包括:
指标体系构建模块,用于获取软件易用性的测试指标,将所述测试指标按照不同层次进行分类,得到测试指标体系;
权重值计算模块,用于建立层次分析模型,通过层次分析算法对所述测试指标体系中的各个测试指标的权重值进行计算,得到各个测试指标对应的权重值;
测试模型构建模块,用于以所述各个测试指标对应的权重值为参数,基于神经网络算法建立易用性测试模型,将所述参数作为初始权值并设置初始阈值;
测试模型优化模块,用于在所述易用性测试模型中输入测试样本,通过优化算法对所述易用性测试模型进行优化调整所述初始权值和初始阈值,得到易用性测试优化模型;
测试结果输出模块,用于将目标软件输入所述易用性测试优化模型进行模拟运行,输出得到所述目标软件的易用性测试结果;
其中,所述权重值计算模块包括:
分析模型构建单元,用于根据指标类型建立多级层次分析模型;其中,一级类型为最高层,二级类型为中间层,三级类型为最底层;
判断矩阵单元,用于根据所述最高层、中间层和最底层,构建各级层次之间任意两级层次的判断矩阵;
单排序权值单元,用于根据各个判断矩阵计算出各级层次的单排序权值;
组合权重值单元,用于根据所述单排序权值计算各级层次中测试指标的最终组合权重值;
所述测试模型构建模块包括:
测试模型建立单元,用于根据各个测试指标的指标类型,将所述各个测试指标设置为对应的神经网络节点,建立易用性测试模型;
参数配置单元,用于确定所述易用性测试模型中的数据源输入节点数和数据源输出节点数,并配置各个测试指标的权重值为初始权值,以及配置所述初始权值的初始阈值;
神经网络路径单元,用于根据神经网络算法函数对所述易用性测试模型进行配置各个神经网络节点之间的传输神经网络路径,完成易用性测试模型初始化。
7.一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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1~5任一项所述的软件易用性全面测试方法。
8.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1~5任一项所述的软件易用性全面测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911238573.7A CN111026661B (zh) | 2019-12-06 | 2019-12-06 | 一种软件易用性全面测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911238573.7A CN111026661B (zh) | 2019-12-06 | 2019-12-06 | 一种软件易用性全面测试方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111026661A CN111026661A (zh) | 2020-04-17 |
CN111026661B true CN111026661B (zh) | 2023-09-19 |
Family
ID=70208091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911238573.7A Active CN111026661B (zh) | 2019-12-06 | 2019-12-06 | 一种软件易用性全面测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111026661B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114327586B (zh) * | 2022-01-05 | 2023-12-22 | 北京京航计算通讯研究所 | 一种非嵌入式军用软件质量评价方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462279A (zh) * | 2014-11-26 | 2015-03-25 | 北京国双科技有限公司 | 分析对象特征信息的获取方法和装置 |
CN106886487A (zh) * | 2015-12-15 | 2017-06-23 | 北京京航计算通讯研究所 | 用于评价fpga软件可靠性的方法 |
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 |
CN109117380A (zh) * | 2018-09-28 | 2019-01-01 | 中国科学院长春光学精密机械与物理研究所 | 一种软件质量评价方法、装置、设备及可读存储介质 |
CN110135690A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品评论数据分析方法、装置、计算机设备和存储介质 |
-
2019
- 2019-12-06 CN CN201911238573.7A patent/CN111026661B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462279A (zh) * | 2014-11-26 | 2015-03-25 | 北京国双科技有限公司 | 分析对象特征信息的获取方法和装置 |
CN106886487A (zh) * | 2015-12-15 | 2017-06-23 | 北京京航计算通讯研究所 | 用于评价fpga软件可靠性的方法 |
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 |
CN109117380A (zh) * | 2018-09-28 | 2019-01-01 | 中国科学院长春光学精密机械与物理研究所 | 一种软件质量评价方法、装置、设备及可读存储介质 |
CN110135690A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品评论数据分析方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
刘育欣 ; 杜呈欣 ; 张彦 ; .基于层次分析法的铁路信息系统软件产品易用性的研究.铁路计算机应用.(第04期),第1-3节. * |
Also Published As
Publication number | Publication date |
---|---|
CN111026661A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163261B (zh) | 不平衡数据分类模型训练方法、装置、设备及存储介质 | |
US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
CN110084271B (zh) | 一种图片类别的识别方法和装置 | |
CN108681750A (zh) | Gbdt模型的特征解释方法和装置 | |
CN112164426A (zh) | 基于TextCNN的药物小分子靶点活性预测方法和装置 | |
CN111178537A (zh) | 一种特征提取模型训练方法及设备 | |
CN117472789B (zh) | 基于集成学习的软件缺陷预测模型构建方法和装置 | |
CN117668622B (zh) | 设备故障诊断模型的训练方法、故障诊断方法及装置 | |
CN109255389B (zh) | 一种装备评价方法、装置、设备及可读存储介质 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
CN114519508A (zh) | 基于时序深度学习和法律文书信息的信用风险评估方法 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN113537693A (zh) | 人员风险等级获取方法、终端、存储装置 | |
CN117763316A (zh) | 一种基于机器学习的高维数据降维方法及降维系统 | |
CN113656707A (zh) | 一种理财产品推荐方法、系统、存储介质及设备 | |
KR102406375B1 (ko) | 원천 기술의 평가 방법을 포함하는 전자 장치 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN111782805A (zh) | 一种文本标签分类方法及系统 | |
CN116756662A (zh) | 基于哈里斯鹰算法优化随机森林的良率预测方法及系统 | |
CN115936773A (zh) | 一种互联网金融黑产识别方法与系统 | |
CN113886579B (zh) | 行业资讯正负面模型构建方法和系统、识别方法和系统 | |
US20240320554A1 (en) | Model setting support device, model setting support method, and storage medium | |
CN116185843B (zh) | 基于神经元覆盖率引导的两阶段神经网络测试方法及装置 | |
Ampuła | Random forest in the tests of small caliber ammunition | |
CN118071138A (zh) | 目标XGBoost模型的构建方法、装置、计算机设备及存储介质 |
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 |