CN111427761A - 测试用例智能推荐 - Google Patents

Abstract

本发明涉及测试用例智能推荐，具体涉及一种基于自然语言处理的智能用例推荐算法，包括：步骤1)典型用户库：通过以往的测试项目数据收集典型的测试用例数据构建和维护典型用例库；步骤2)用例推荐模型生成，基于已有的典型用例数据通过自然语言处理，智能分词、标识抽取等生成测试用例模型；步骤3)智能用例推荐，根据测试需求和测试功能，为测试人员智能推荐出尽可能适配测试需求、功能的测试用例数据。通过本发明实现了测试人员快速构建出大量满足需求的测试用例数据，减少测试人员的在测试用例设计阶段的工作，在测试设计过程节省大量的时间。

Description

测试用例智能推荐

技术领域

本发明涉及的是软件和自然语言技术领域，具体涉及一种基于自然语言处理的智能用例推荐算法。

背景技术

软件测试(Software Testing)，描述一种用来促进鉴定软件的正确性、完整性、安全性和质量的过程。换句话说，软件测试是一种实际输出与预期输出之间的审核或者比较过程。软件测试的经典定义是：在规定的条件下对程序进行操作，以发现程序错误，衡量软件质量，并对其是否能满足设计要求进行评估的过程。

软件测试是伴随着软件的产生而产生的。早期的软件开发过程中软件规模都很小、复杂程度低，软件开发的过程混乱无序、相当随意，测试的含义比较狭窄，开发人员将测试等同于“调试”，目的是纠正软件中已经知道的故障，常常由开发人员自己完成这部分的工作。对测试的投入极少，测试介入也晚，常常是等到形成代码，产品已经基本完成时才进行测试。到了上世纪80年代初期，软件和IT行业进入了大发展，软件趋向大型化、高复杂度，软件的质量越来越重要。这个时候，一些软件测试的基础理论和实用技术开始形成，并且人们开始为软件开发设计了各种流程和管理方法，软件开发的方式也逐渐由混乱无序的开发过程过渡到结构化的开发过程，以结构化分析与设计、结构化评审、结构化程序设计以及结构化测试为特征。人们还将“质量”的概念融入其中，软件测试定义发生了改变，测试不单纯是一个发现错误的过程，而且将测试作为软件质量保证(SQA)的主要职能，包含软件质量评价的内容，Bill Hetzel在《软件测试完全指南》(Complete Guide of Software Testing)一书中指出：“测试是以评价一个程序或者系统属性为目标的任何一种活动。测试是对软件质量的度量。”这个定义至今仍被引用。软件开发人员和测试人员开始坐在一起探讨软件工程和测试问题。

软件测试主要分为测试需求分析、测试计划、测试设计、测试执行、测试评估等阶段。

在传统测试中，测试工作是极其繁复的，在每个测试阶段都需要投入大量的测试人员和软、硬件资源，去开展测试工作。整个测试过程中需要耗费大量资源和时间。基于此我们提出了基于自然语言处理的测试用例智能推荐技术，简化测试设计的工作，减少资源投入，缩短测试周期。

基于自然语言处理的测试用例智能推荐技术，主要特点是基于已采集的典型测试用例数据，通过对典型测试用例数据的自然语言处理，智能分词、标识抽取等生成测试用例集成推荐模型。在测试人员设计测试用例时，根据测试需求和测试功能，为测试人员智能推荐出尽可能适配测试需求、功能的测试用例数据，以便测试人员快速构建出大量满足需求的测试用例数据，减少测试人员的在测试用例设计阶段的工作，在测试设计过程节省大量的时间。

发明内容

传统测试模式中应用软件全生命周期测试需要投入大量的测试人员和测试资源，花费大量的时间。

在测试设计过程中由测试人员针对应用软件的测试需求设计出大量的测试用例，但测试过程往往不是一蹴而就的，因此在测试过程中需要不断进行测试用例设计工作，以保证测试工作的完备和准确。为了尽可能的简化测试过程中的测试用例设计工作，提高测试效率，缩短测试周期，我们提出了基于自然语言处理的测试用例智能推荐技术。针对测试需求，依据已有典型测试用例数据的生成处理模型，智能地为测试人员推荐可用的测试用例，极大的减少测试人员和测试资源地投入，保证测试工作的有序进行。

附图说明

以下将结合附图对本发明的实施方案进行描述，其中：

图1为本发明的测试用例智能推荐流程图。

图2为本发明的测试用例数据采集流程图。

图3为本发明的机器学习流程图。

图4为本发明的测试用例智能推荐流程图。

具体实施方式

为实现上述目的，本发明通过如下的技术方法来实现：测试用例采集系统、基于自然语言的测试用例智能推荐方法。

本发明通过采集和存储测试人员在测试过程中针对测试需求设计的典型测试用例数据，为自然语言处理、学习积累大量的测试用例数据。并依据采集的典型测试用例数据，进行深度处理，生成智能用例推荐模型。在开展测试时，针对测试需求和功能，通过智能推荐模型为测试人员推荐使用的测试用例数据。同时通过对大量测试用例数据的学习，提高测试用例智能推荐的准确性和针对性。

测试用例采集，是指在系统中对应用软件全生命周期测试过程中产生的测试用例数据进行的统一的采集管理。根据不同的测试需求、功能、测试项目信息等进行归类、汇总、入库、存储，实现测试用例数据积累。

自然语言通常是指一种自然地随文化演化的语言。英语、汉语、日语为自然语言的例子，而世界语则为人造语言，即是一种由人蓄意为某些特定目的而创造的语言。不过，有时所有人类使用的语言(包括上述自然地随文化演化的语言，以及人造语言)都会被视为“自然”语言，以相对于如编程语言等为计算机而设的“人造”语言。这一种用法可见于自然语言处理一词中。自然语言是人类交流和思维的主要工具。

自然语言处理(NLP，Natural Language Processing)是使用自然语言同计算机进行通讯的技术，因为处理自然语言的关键是要让计算机“理解”自然语言，所以自然语言处理又叫做自然语言理解(NLU，Natural Language Understanding)，也称为计算语言学(Computational Ling uistics)。一方面它是语言信息处理的一个分支，另一方面它是人工智能(AI，Artificial Intelligence)的核心课题之一。

自然语言处理是人工智能中最为困难的问题之一，而对自然语言处理的研究也是充满魅力和挑战的。随着计算机和互联网的广泛应用，也随之衍生出了一系列的产品。相对而言，截止到2012年，国外在该领域的研究投入和成果都相对领先于国内，尤其汉语天然就相对于其他语种更为复杂，更为难以分析。

自然语言处理发展的3个特点：

1.基于句法-语义规则的理性主义方法受到质疑，随着语料库建设和语料库语言学的崛起，大规模真实文本的处理成为自然语言处理的主要战略目标；

2.自然语言处理中越来越多地使用机器自动学习的方法来获取语言知识；

3.自然语言处理中越来越重视词汇的作用，出现了强烈的“词汇主义”的倾向。

智能推荐，是指在测试人员开展测试设计工作时，依据测试项目、需求、功能等信息，通过自然语言处理生成用例模型，为测试人员推荐出适用于当前测试项目、需求、功能的可用测试用例满足测试人员的测试用例设计功能需求。

Claims (3)

1.在软件测试过程中将测试人员针对测试项目、需求、功能设计的测试用例数据信息进行自动采集、汇总入库，为机器学习、生成模型提供数据积累。

2.基于对大量测试用例数据的自然语言处理和自然语言理解生成测试用例模型，并随测试用例的采集、不断的反复学习，逐步提高测试用例模型的准确性和针对性。

3.根据测试项目、需求、功能等信息，为测试人员智能推荐出适用测试项目、需求、功能的测试用例数据，简化测试用例设计过程，缩短测试周期。

Images