CN111143226A - 自动化测试方法及装置、计算机可读存储介质、电子设备 - Google Patents

Abstract

本发明实施例是关于一种自动化测试方法及装置、计算机可读存储介质、电子设备，涉及医疗大数据处理技术领域，该方法包括：根据疾病类别对历史医疗数据进行分类得到多个与所述疾病类别对应的分类结果，并提取各所述分类结果中与各所述疾病类别对应的多个关键字段；对各所述关键字段进行结构化以及归一化处理得到多个标准字段，并利用各所述疾病类别以及与各所述疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型；将待测试医疗数据输入至所述自动化测试模型中，得到与所述待测试医疗数据对应的第一测试结果，并根据所述第一测试结果判断所述待测试医疗数据是否测试成功。本发明实施例提高了第一测试结果的准确率。

Description

自动化测试方法及装置、计算机可读存储介质、电子设备

技术领域

本发明实施例涉及医疗大数据处理技术领域，具体而言，涉及一种自动化测试方法、自动化测试装置、计算机可读存储介质以及电子设备。

背景技术

自动化测试技术目前已经广泛的应用各行各业中，其可以极大的提高测试的效率，降低人为因素的影响，缩短软件开发周期。

在现有的自动化测试方案中，可以通过界面识别增强学习训练模型，得到一个决策系统，然后将系统接入每次进行的逐层校验中，验证不同的决策带来的分支形成完备的自动化测试闭环。

但是，上述方案存在如下缺陷：界面识别增强学习对于目前的系统来说，稳定性和逻辑性比较差，因此导致测试结果的准确率较低。

因此，需要提供一种新的自动化测试方法及装置。

需要说明的是，在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于提供一种自动化测试方法、自动化测试装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的测试结果的准确率较低的问题。

根据本公开的一个方面，提供一种自动化测试方法，包括：

根据疾病类别对历史医疗数据进行分类得到多个与所述疾病类别对应的分类结果，并提取各所述分类结果中与各所述疾病类别对应的多个关键字段；

对各所述关键字段进行结构化以及归一化处理得到多个标准字段，并利用各所述疾病类别以及与各所述疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型；

将待测试医疗数据输入至所述自动化测试模型中，得到与所述待测试医疗数据对应的第一测试结果，并根据所述第一测试结果判断所述待测试医疗数据是否测试成功。

在本公开的一种示例性实施例中，对各所述关键字段进行结构化以及归一化处理得到多个标准字段包括：

对各所述关键字段进行结构化处理，并对结构化处理后的各所述关键字段在搜索维度上的准确度以及召回度进行验证得到验证结果；

如果所述验证结果的置信度大于预设阈值，则将结构化处理后的各所述关键字段作为所述多个标准字段。

在本公开的一种示例性实施例中，所述自动化测试方法还包括：

如果所述验证结果的置信度小于所述预设阈值，则按照预设规则对结构化处理后的各所述关键字段进行拼接和/或拆分；

对拼接和/或拆分后的各所述关键字段在搜索维度上的准确度以及召回度进行验证得到验证结果。

在本公开的一种示例性实施例中，提取各所述分类结果中与各所述疾病类别对应的多个关键字段包括：

基于各所述分类结果中的埋点数据，提取各所述分类结果中与各所述疾病类别对应的多个关键字段。

在本公开的一种示例性实施例中，自动化测试方法还包括：

根据各所述标准字段构建测试集，并利用所述测试集对训练后的初始化网络模型进行测试得到第二测试结果；

如果所述第二测试结果的准确率大于预设准确率，则将所述训练后的初始化网络模型作为所述自动化测试模型。

在本公开的一种示例性实施例中，自动化测试方法还包括：

在确定所述待测试医疗数据测试失败时，根据所述测试结果生成测试失败用例；

对所述测试失败用例进行分析得到分析结果，并根据所述分析结果对所述自动化测试模型进行调整。

在本公开的一种示例性实施例中，自动化测试方法还包括：

将所述自动化测试模型分为多个子模块，并构建各所述子模块以及与各所述子模块对应的代码块之间的映射关系；

其中，根据所述分析结果对所述自动化测试模型进行调整包括：

确定与所述测试失败用例对应的子模块，并根据所述映射关系确定与所述子模块对应的代码块；

将所述代码块作为待修改代码块，并根据所述分析结果对所述待修改代码块进行修改。

在本公开的一种示例性实施例中，自动化测试方法还包括：

根据所述映射关系、各所述子模块之间的依赖关系构建有向图；

基于所述有向图确定与所述待修改代码块对应的其他待修改代码块，并对所述其他待修改代码块进行修改。

在本公开的一种示例性实施例中，自动化测试方法还包括：

对修改后的待修改代码块以及修改后的其他待修改代码块进行回归测试。

在本公开的一种示例性实施例中，所述子模块包括自动化策略模型子模块以及基础功能逻辑子模块；

其中，所述自动化策略模型子模块包括医学研究侧重标注模块、热点数据和重点字段模块、用户行为特征模块、代码映射模块以及失败案例标注样本模块中的多种；

所述基础功能逻辑子模块包括基本快速回归逻辑模块和/或复杂场景逻辑模块。

根据本公开的一个方面，提供一种自动化测试装置，包括：

关键字段提取模块，用于根据疾病类别对历史医疗数据进行分类得到多个与所述疾病类别对应的分类结果，并提取各所述分类结果中与各所述疾病类别对应的多个关键字段；

网络训练模块，用于对各所述关键字段进行结构化以及归一化处理得到多个标准字段，并利用各所述疾病类别以及与各所述疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型；

自动化测试模块，用于将待测试医疗数据输入至所述自动化测试模型中，得到与所述待测试医疗数据对应的第一测试结果，并根据所述第一测试结果判断所述待测试医疗数据是否测试成功。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的自动化测试方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的自动化测试方法。

本发明实施例提供的一种自动化测试方法及装置，一方面，通过根据疾病类别对历史医疗数据进行分类得到多个分类结果，并提取各分类结果中的多个关键字段；然后对各关键字段进行结构化以及归一化处理得到多个标准字段，并利用各疾病类别以及与各疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型；最后将待测试医疗数据输入至自动化测试模型中，得到与待测试医疗数据对应的第一测试结果，并根据第一测试结果判断待测试医疗数据是否测试成功，解决了现有技术中由于界面识别增强学习对于目前的系统来说，稳定性和逻辑性比较差，因此导致测试结果的准确率较低的问题，提高了自动化测试模型的稳定性以及逻辑性，同时也提高了测试结果的准确率；另一方面，解决了现有技术中不能对医疗数据进行自动化测试的问题；再一方面，将机器学习应用到自动化测试领域中，避免了需要根据待测试数据生成测试用例进而导致的程序较为繁琐以及测试效率较低的问题，提高了对待测试医疗数据的测试效率。

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和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。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示意性示出根据本发明示例实施例的一种自动化测试方法的流程图。

图2示意性示出根据本发明示例实施例的另一种自动化测试方法的流程图。

图3示意性示出根据本发明示例实施例的另一种自动化测试方法的流程图。

图4示意性示出根据本发明示例实施例的一种自动化测试模型的框图。

图5示意性示出根据本发明示例实施例的另一种自动化测试方法的流程图。

图6示意性示出根据本发明示例实施例的一种自动化测试装置的框图。

图7示意性示出根据本发明示例实施例的一种用于实现上述自动化测试方法的电子设备。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在现有的自动化测试技术中，主要可以包括如下两种方案：

一种是，通过界面识别增强学习训练模型，得到一个决策系统，可以将系统接入每次进行的逐层校验中，验证不同的决策带来的分支形成完备的自动化测试闭环。

另一种是，通过与目标进行交互“训练”测试，经训练完成后生成的测试，会自动检测对应目标存在状态，会尝试动态更新对应的测试，自动分级影响范围，达到快速测试和回归的目标。

但是，上述方案存在如下缺陷：在第一种方案中，界面识别增强学习对于目前的系统带来的收益比较低，稳定性和逻辑性比较差；在第二种方案中，交互“训练”模式，会引发部分不可靠性，一部分测试的有效性会出现问题。

另外，目前现有的方案没有结合到临床数据的复杂性，可能会忽略一些容易引发问题的特征。

本示例实施方式中首先提供了一种自动化测试方法，该方法可以运行于服务器、服务器集群或云服务器等，也可以运行于终端设备；当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该自动化测试方法可以包括以下步骤：

步骤S110.根据疾病类别对历史医疗数据进行分类得到多个与所述疾病类别对应的分类结果，并提取各所述分类结果中与各所述疾病类别对应的多个关键字段。

步骤S120.对各所述关键字段进行结构化以及归一化处理得到多个标准字段，并利用各所述疾病类别以及与各所述疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型。

步骤S130.将待测试医疗数据输入至所述自动化测试模型中，得到与所述待测试医疗数据对应的第一测试结果，并根据所述第一测试结果判断所述待测试医疗数据是否测试成功。

上述自动化测试方法中，一方面，通过根据疾病类别对历史医疗数据进行分类得到多个分类结果，并提取各分类结果中的多个关键字段；然后对各关键字段进行结构化以及归一化处理得到多个标准字段，并利用各疾病类别以及与各疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型；最后将待测试医疗数据输入至自动化测试模型中，得到与待测试医疗数据对应的第一测试结果，并根据第一测试结果判断待测试医疗数据是否测试成功，解决了现有技术中由于界面识别增强学习对于目前的系统来说，稳定性和逻辑性比较差，因此导致测试结果的准确率较低的问题，提高了自动化测试模型的稳定性以及逻辑性，同时也提高了测试结果的准确率；另一方面，解决了现有技术中不能对医疗数据进行自动化测试的问题；再一方面，将机器学习应用到自动化测试领域中，避免了需要根据待测试数据生成测试用例进而导致的程序较为繁琐以及测试效率较低的问题，提高了对待测试医疗数据的测试效率。

以下，将结合附图对本发明示例实施例自动化测试方法中涉及的各步骤进行进一步的解释以及说明。

首先，对本发明示例实施例的发明背景进行解释以及说明。快速回归测试技术是指处理后的临床数据结合功能的特点，通过机器学习推断和用户使用习惯特征提取，自动构建高效的自动化测试方案，及时发现可能的逻辑漏洞和风险，提升用户体验和产品质量。

进一步的，由于医疗知识本身的专业性和复杂性，大量的功能依赖可靠性程度高的数据，所以一方面需要提高可靠有效的数据，另一方面也需要结合数据质量和预期验证功能是否满足。通过用户行为数据收集并结合目前的数据功能结合的特性，越来越多的复杂需求迫切需要一种新的方式对产品质量进一步提高，例如如何自动构造一种违规数据进行输入、如何对用户可能关心的热点数据和相应的功能进行重点质控以及如何对可能快速膨胀的数据进行相应的功能展示验证等等。

以上需求都需要通过多元化和高质量的自动化测试技术来解决。并且，通过失败案例记录自动分析，可以推测出哪些关联的测试用例可能会产生问题，主要针对这些风险进行自动方案构建；通过用户习惯特征提取训练，可以给出用户关心的有效数据中热点数据在哪里分布，在功能自动化测试中是否正常获取。

进一步的，通过训练后的数据展示的趋势，自动构建合适的质控方案，不但可以保障产品质量和稳定性，而且也可以节省人力的大量投入。用自动化构建、数据以及测试用例相互分离的方式，也能减少产品升级带来的代码量快速增加，推动自动化测试技术进一步发展。

在步骤S110中，根据疾病类别对历史医疗数据进行分类得到多个与所述疾病类别对应的分类结果，并提取各所述分类结果中与各所述疾病类别对应的多个关键字段。

在本示例实施例中，首先，可以根据疾病类别对历史医疗数据进行分类，得到多个与疾病类别对应的分类结果；例如，疾病类别可以包括癌症类疾病、消化类疾病、分泌类疾病以及神经类疾病等等，也可以包括其他类型的疾病，例如生殖类疾病或者皮肤类疾病等等，本示例对此不做特殊限制。进一步的，当得到各疾病类别的分类结果后，可以提取各分类结果中与各疾病类别对应的多个关键字段。具体的，基于各所述分类结果中的埋点数据，提取各所述分类结果中与各所述疾病类别对应的多个关键字段。譬如，可以通过埋点信息发现医生经常搜索的信息，然后将医生经常搜索的信息作为上述关键字段；该关键字段例如可以包括医生诊断描述字段、患病部位字段、症状字段、检查结果字段等等，也可以包括其他字段，家族史字段等等，本示例对此不做特殊限制。

此处需要补充说明的是，针对于不同的疾病类别，关键字段也是不同的。因此，需要通过埋点信息收集医生对各个不同疾病类别的搜索信息的频次，然后根据该频次确认各个不同疾病类别的关键字段。通过该方法，可以提高关键字段的准确率，进而可以提高自动化测试模型的准确率。

在步骤S120中，对各所述关键字段进行结构化以及归一化处理得到多个标准字段，并利用各所述疾病类别以及与各所述疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型。

在本示例实施例中，首先，对各关键字段进行结构化以及归一化处理得到多个标准字段。具体的，对各关键字段进行结构化以及归一化处理得到多个标准字段可以包括：首先，对各所述关键字段进行结构化处理，并对结构化处理后的各所述关键字段在搜索维度上的准确度以及召回度进行验证得到验证结果；其次，如果所述验证结果的置信度大于预设阈值，则将结构化处理后的各所述关键字段作为所述多个标准字段。详细而言：

首先，对各关键字段进行结构化处理，避免由于在后续对初始网络模型进行训练时，结构不统一进而使得自动化测试模型的准确率较低的问题；然后，对结构化处理后的各关键字段在搜索维度上的准确度以及召回度剂型验证得到验证结果；譬如，可以利用结构化处理后的各关键字段对与各关键字段对应的疾病类别的医疗数据进行检索，然后根据对检索结果的准确度以及召回度进行验证，如果准确度以及召回度均大于上述预设阈值，则可以将该结构化处理后的各关键字段作为上述多个标准字段。

进一步的，如果所述验证结果的置信度小于所述预设阈值，则按照预设规则对结构化处理后的各所述关键字段进行拼接和/或拆分；对拼接和/或拆分后的各所述关键字段在搜索维度上的准确度以及召回度进行验证得到验证结果。通过该方法，可以提高标准字段的准确率。

其次，利用各疾病类别以及与各疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型。具体的，可以将各疾病类别以及与各疾病类别对应的标准字段输入至初始网络模型中对该初始网络模型进行训练，然后将训练后的初始网络模型作为上述自动化测试模型。其中，该初始网络模型例如可以是决策树模型，也可以是其他模型，例如可以是逻辑回归模型等等，本示例对此不做特殊限制。

在步骤S130中，将待测试医疗数据输入至所述自动化测试模型中，得到与所述待测试医疗数据对应的第一测试结果，并根据所述第一测试结果判断所述待测试医疗数据是否测试成功。

在本示例实施例中，当得到上述自动化测试模型后，可以将待测试医疗数据输入至上述自动化测试模型中，得到第一测试结果；其中，该第一测试结果中可以包括该待测试医疗数据的疾病类型、关键字段、以及各关键字段在该疾病类型中所占的权重等等；然后，可以根据该第一测试结果可以判断该待测试医疗数据是否测试成功；譬如，当疾病类型与关键字段相符切割关键字段在该疾病类型中所占的权重与预设的权重的差值在预设差值范围内时，可以确定该待测试医疗数据测试成功。

图2示意性示出根据本发明示例实施例的另一种自动化测试方法。参考图2所示，该自动化测试方法还可以包括步骤S210以及步骤S220，以下进行详细说明。

在步骤S210中，根据各所述标准字段构建测试集，并利用所述测试集对训练后的初始化网络模型进行测试得到第二测试结果。

在步骤S220中，如果所述第二测试结果的准确率大于预设准确率，则将所述训练后的初始化网络模型作为所述自动化测试模型。

图2示意性示出的示例实施例中，通过跟各标准字段构建测试集，然后在利用测试集对训练后的初始化网络模型进行测试，一方面可以提高训练后的初始化网络模型(自动化测试模型)的准确率，同时也可以提高测试集中的数据的准确率，进而提高第二测试结果的准确率；同时，当准确率小于预设准确率时，可以调整该初始化网络模型的参数，直至准确率不小于预设准确率为止。

此处需要补充说明的是，上述第一测试结果与此处的第二测试结果是完全不同的含义，一个是与待测试医疗数据对应的测试结果，用于衡量待测试医疗数据是否测试成功；另一个是对自动化测试模型进行测试的，用于衡量自动化测试模型是否合格。

图3示意性示出根据本发明示例实施例的另一种自动化测试方法。参考图3所示，该自动化测试方法还可以包括步骤S310以及步骤S320，以下进行详细说明。

在步骤S310中，在确定所述待测试医疗数据测试失败时，根据所述测试结果生成测试失败用例。

在步骤S320中，对所述测试失败用例进行分析得到分析结果，并根据所述分析结果对所述自动化测试模型进行调整。

图3示意性示出的示例实施例中，可以通过测试失败用例对自动化测试模型进行调整，进而可以进一步的提高自动化测试模型的准确率。

进一步的，为了可以加快对自动化测试模型进行调整的速度，该自动化测试模型还可以包括：将所述自动化测试模型分为多个子模块，并构建各所述子模块以及与各所述子模块对应的代码块之间的映射关系；进一步的，当得到映射关系后，根据所述分析结果对所述自动化测试模型进行调整包括：确定与所述测试失败用例对应的子模块，并根据所述映射关系确定与所述子模块对应的代码块；将所述代码块作为待修改代码块，并根据所述分析结果对所述待修改代码块进行修改。

具体的，参考图4所示，上述自动化测试模型400的子模块可以包括自动化策略模型子模块410以及基础功能逻辑子模块420；其中，自动化策略模型子模块410可以包括医学研究侧重标注模块411、热点数据和重点字段模块412、用户行为特征模块413、代码映射模块414以及失败案例标注样本模块415等等，并且，热点数据和重点字段模块412中还可以包括地区特性模块4121、医院特性模块4122以及研究偏向性模块4123等等；进一步的，基础功能逻辑子模块420可以包括基本快速回归逻辑模块421以及复杂场景逻辑模块422等等。

进一步的，对上述自动化测试模型进行分解得到多个子模块，然后建立各子模块以及与各子模块对应的代码块之间的映射关系；当确定好与测试失败用例对应的子模块后，可以根据该映射关系确定对应的代码块，并对该代码块进行修改。通过该方法，避免了需要对所有的代码进行修改进而导致的修改效率较低的问题。

更进一步的，为了避免由于某一个子模块的代码块修改后，对与其关联的其他代码块造成影响，进而使得自动化测试模型不能正常工作的问题，该自动化测试方法还包括：根据所述映射关系、各所述子模块之间的依赖关系构建有向图；基于所述有向图确定与所述待修改代码块对应的其他待修改代码块，并对所述其他待修改代码块进行修改。具体的，基于重点模块的关系构建重点模块，将产品模块进行拆分，标注关系网络，将上下游强依赖模块的关系表明，维护一个数据库存储相应的关系，构建一个合理的有向图。然后，可以基于该有向图确定与待修改代码块对应的其他待修改代码块，然后再对其他代码块进行适应性修改。通过该方法，可以提高修改效率，同时也可以进一步的提高自动化测试模型的准确率，进而提高上述第一测试结果的准确率。

同时，为了可以使得修改后的各代码块可以正常的运行，该自动化测试方法还可以包括：对修改后的待修改代码块以及修改后的其他待修改代码块进行回归测试。具体的，可以针对目前发现的案例信息进行分析，标写相应模块的权重比，当出现代码部分修改时，自动更新对应的模块组关系，自动构建时会查询比对历史变动，将变动模块相关的上层模块纳入到回归测试中。

以下，结合图5对本发明示例实施例的自动化测试方法进行进一步的解释以及说明。参考图5所示，该自动化测试方法可以包括以下步骤：

步骤S510，结合用户的行为分析数据：分析用户对于重点关心的临床数据以及经常查询的信息，比对不同地区疾病对于数据指标的变化，推断邻近地区疾病的临床数据变动，生成字段策略，侧重重点数据和功能的结合测试。将变动情况进行可视化，提供更好的运营策略，同时根据用户在某些历史数据保存的信息，自动分析比对数据的变动率情况，同时保障数据的有效增加，在功能完备的情况下，自动加入不同的组合策略测试完善测试计划；

步骤S520，引入机器学习模型预测，通过标注不同原因和来自不同地区的临床数据的样本，训练得到一个策略模型，最后根据前期的模块变动和策略模型产出的结果，构建自适应的自动化测试，可以满足快速响应的需求，同时也可以作为产品质量的保障；

步骤S530，分解产品模型，构建代码和模块的映射关系，组建模块网络，基于重点模块的关系构建重点模块，将产品模块进行拆分，标注关系网络，将上下游强依赖模块的关系表明，维护一个数据库存储相应的关系，构建一个合理的有向图。并且，针对目前发现的案例信息进行分析，标写相应模块的权重比，当出现代码部分修改时，自动更新对应的模块组关系，自动构建时会查询比对历史变动，将变动模块相关的上层模块纳入到回归测试中。

步骤S540，进一步引入失败点分析，确定失败之后的影响范围。具体的，在规定的周期内，重试对应范围内的测试点，保证对应的问题在版本迭代中不会再次出现。最后对每次引发问题的情况标注并且留存数据记录，为之后特征记录提取提供样本。

本方面示例实施例提供的自动化测试方法中，至少具有以下优点：

一方面，本发明基于医疗知识储备，用户的行为分析，结合现有的有效数据，基本的功能逻辑，自动构建质控方案提升质控效率。并且，通过构建功能模块网络，将可能引发问题的模块纳入的网络中，方便分析版本更新可能会影响的范围。

另一方面，利用医生的行为分析数据，提取医生关心的热点数据和功能，结合各地区的数据质量，加入权重，引入到自动构建系统当中，对功能和数据的强耦合点进行自动测试。

再一方面，失败案例自动分析，标注可能引发失败的原因，推断哪些部分容易出现问题，自动加入测试构建中。

进一步的，从以前单一的自动化测试变动更改，变为能够自适应版本更新并且结合不同场景和数据得到最优解的自动化测试方案，可以高效提升开发和回归的效率，减少QA部门的人力负担，大大提升测试效率。

最后，对于自动化测试领域结合人工智能前沿方案，提供了一个新的探索方向。减少对于QA从业人员经验的依赖，对于测试复杂业务场景也可以引入系统中处理，进一步提升公司产品的竞争力，以及业界的话语权。

本发明示例实施例还提供了一种自动化测试装置。参考图6所示，该自动化测试装置可以包括关键字段提取模块610、网络训练模块620以及自动化测试模块630。其中：

关键字段提取模块610可以用于根据疾病类别对历史医疗数据进行分类得到多个与所述疾病类别对应的分类结果，并提取各所述分类结果中与各所述疾病类别对应的多个关键字段；

网络训练模块620可以用于对各所述关键字段进行结构化以及归一化处理得到多个标准字段，并利用各所述疾病类别以及与各所述疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型；

自动化测试模块630可以用于将待测试医疗数据输入至所述自动化测试模型中，得到与所述待测试医疗数据对应的第一测试结果，并根据所述第一测试结果判断所述待测试医疗数据是否测试成功。

在本公开的一种示例性实施例中，对各所述关键字段进行结构化以及归一化处理得到多个标准字段包括：

对各所述关键字段进行结构化处理，并对结构化处理后的各所述关键字段在搜索维度上的准确度以及召回度进行验证得到验证结果；

如果所述验证结果的置信度大于预设阈值，则将结构化处理后的各所述关键字段作为所述多个标准字段。

在本公开的一种示例性实施例中，所述自动化测试装置还包括：

关键字段处理模块，可以用于如果所述验证结果的置信度小于所述预设阈值，则按照预设规则对结构化处理后的各所述关键字段进行拼接和/或拆分；

关键字段验证模块，可以用于对拼接和/或拆分后的各所述关键字段在搜索维度上的准确度以及召回度进行验证得到验证结果。

在本公开的一种示例性实施例中，提取各所述分类结果中与各所述疾病类别对应的多个关键字段包括：

基于各所述分类结果中的埋点数据，提取各所述分类结果中与各所述疾病类别对应的多个关键字段。

在本公开的一种示例性实施例中，自动化测试装置还包括：

第一测试模块，可以用于根据各所述标准字段构建测试集，并利用所述测试集对训练后的初始化网络模型进行测试得到第二测试结果；

自动化测试模型确定模块，可以用于如果所述第二测试结果的准确率大于预设准确率，则将所述训练后的初始化网络模型作为所述自动化测试模型。

在本公开的一种示例性实施例中，自动化测试装置还包括：

测试用例生成模块，可以用于在确定所述待测试医疗数据测试失败时，根据所述测试结果生成测试失败用例；

自动化测试模型调整模块，可以用于对所述测试失败用例进行分析得到分析结果，并根据所述分析结果对所述自动化测试模型进行调整。

在本公开的一种示例性实施例中，自动化测试装置还包括：

自动化测试模型分解模块，可以用于将所述自动化测试模型分为多个子模块，并构建各所述子模块以及与各所述子模块对应的代码块之间的映射关系；

其中，根据所述分析结果对所述自动化测试模型进行调整包括：

确定与所述测试失败用例对应的子模块，并根据所述映射关系确定与所述子模块对应的代码块；

将所述代码块作为待修改代码块，并根据所述分析结果对所述待修改代码块进行修改。

在本公开的一种示例性实施例中，自动化测试装置还包括：

有向图构建模块，可以用于根据所述映射关系、各所述子模块之间的依赖关系构建有向图；

代码修改模块，可以用于基于所述有向图确定与所述待修改代码块对应的其他待修改代码块，并对所述其他待修改代码块进行修改。

在本公开的一种示例性实施例中，自动化测试装置还包括：

回归测试模块，可以用于对修改后的待修改代码块以及修改后的其他待修改代码块进行回归测试。

在本公开的一种示例性实施例中，所述子模块包括自动化策略模型子模块以及基础功能逻辑子模块；

其中，所述自动化策略模型子模块包括医学研究侧重标注模块、热点数据和重点字段模块、用户行为特征模块、代码映射模块以及失败案例标注样本模块中的多种；

所述基础功能逻辑子模块包括基本快速回归逻辑模块和/或复杂场景逻辑模块。

上述自动化测试装置中各模块的具体细节已经在对应的自动化测试方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730以及显示单元740。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图1中所示的步骤S110：根据疾病类别对历史医疗数据进行分类得到多个与所述疾病类别对应的分类结果，并提取各所述分类结果中与各所述疾病类别对应的多个关键字段；步骤S120：对各所述关键字段进行结构化以及归一化处理得到多个标准字段，并利用各所述疾病类别以及与各所述疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型；步骤S130：将待测试医疗数据输入至所述自动化测试模型中，得到与所述待测试医疗数据对应的第一测试结果，并根据所述第一测试结果判断所述待测试医疗数据是否测试成功。

存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。

存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。

在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (13)

1.一种自动化测试方法，其特征在于，包括：

根据疾病类别对历史医疗数据进行分类得到多个与所述疾病类别对应的分类结果，并提取各所述分类结果中与各所述疾病类别对应的多个关键字段；

对各所述关键字段进行结构化以及归一化处理得到多个标准字段，并利用各所述疾病类别以及与各所述疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型；

将待测试医疗数据输入至所述自动化测试模型中，得到与所述待测试医疗数据对应的第一测试结果，并根据所述第一测试结果判断所述待测试医疗数据是否测试成功。

2.根据权利要求1所述的自动化测试方法，其特征在于，对各所述关键字段进行结构化以及归一化处理得到多个标准字段包括：

对各所述关键字段进行结构化处理，并对结构化处理后的各所述关键字段在搜索维度上的准确度以及召回度进行验证得到验证结果；

如果所述验证结果的置信度大于预设阈值，则将结构化处理后的各所述关键字段作为所述多个标准字段。

3.根据权利要求2所述的自动化测试方法，其特征在于，所述自动化测试方法还包括：

如果所述验证结果的置信度小于所述预设阈值，则按照预设规则对结构化处理后的各所述关键字段进行拼接和/或拆分；

对拼接和/或拆分后的各所述关键字段在搜索维度上的准确度以及召回度进行验证得到验证结果。

4.根据权利要求1所述的自动化测试方法，其特征在于，提取各所述分类结果中与各所述疾病类别对应的多个关键字段包括：

基于各所述分类结果中的埋点数据，提取各所述分类结果中与各所述疾病类别对应的多个关键字段。

5.根据权利要求1所述的自动化测试方法，其特征在于，自动化测试方法还包括：

根据各所述标准字段构建测试集，并利用所述测试集对训练后的初始化网络模型进行测试得到第二测试结果；

如果所述第二测试结果的准确率大于预设准确率，则将所述训练后的初始化网络模型作为所述自动化测试模型。

6.根据权利要求1所述的自动化测试方法，其特征在于，自动化测试方法还包括：

在确定所述待测试医疗数据测试失败时，根据所述测试结果生成测试失败用例；

对所述测试失败用例进行分析得到分析结果，并根据所述分析结果对所述自动化测试模型进行调整。

7.根据权利要求6所述的自动化测试方法，其特征在于，自动化测试方法还包括：

将所述自动化测试模型分为多个子模块，并构建各所述子模块以及与各所述子模块对应的代码块之间的映射关系；

其中，根据所述分析结果对所述自动化测试模型进行调整包括：

确定与所述测试失败用例对应的子模块，并根据所述映射关系确定与所述子模块对应的代码块；

将所述代码块作为待修改代码块，并根据所述分析结果对所述待修改代码块进行修改。

8.根据权利要求7所述的自动化测试方法，其特征在于，自动化测试方法还包括：

根据所述映射关系、各所述子模块之间的依赖关系构建有向图；

基于所述有向图确定与所述待修改代码块对应的其他待修改代码块，并对所述其他待修改代码块进行修改。

9.根据权利要求8所述的自动化测试方法，其特征在于，自动化测试方法还包括：

对修改后的待修改代码块以及修改后的其他待修改代码块进行回归测试。

10.根据权利要求7-9任一项所述的自动化测试方法，其特征在于，所述子模块包括自动化策略模型子模块以及基础功能逻辑子模块；

其中，所述自动化策略模型子模块包括医学研究侧重标注模块、热点数据和重点字段模块、用户行为特征模块、代码映射模块以及失败案例标注样本模块中的多种；

所述基础功能逻辑子模块包括基本快速回归逻辑模块和/或复杂场景逻辑模块。

11.一种自动化测试装置，其特征在于，包括：

关键字段提取模块，用于根据疾病类别对历史医疗数据进行分类得到多个与所述疾病类别对应的分类结果，并提取各所述分类结果中与各所述疾病类别对应的多个关键字段；

网络训练模块，用于对各所述关键字段进行结构化以及归一化处理得到多个标准字段，并利用各所述疾病类别以及与各所述疾病类别对应的标准字段对初始网络模型进行训练，得到自动化测试模型；

自动化测试模块，用于将待测试医疗数据输入至所述自动化测试模型中，得到与所述待测试医疗数据对应的第一测试结果，并根据所述第一测试结果判断所述待测试医疗数据是否测试成功。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-10任一项所述的自动化测试方法。

13.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-10任一项所述的自动化测试方法。

Images