CN112231224A - 基于人工智能的业务系统测试方法、装置、设备和介质 - Google Patents
基于人工智能的业务系统测试方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112231224A CN112231224A CN202011188171.3A CN202011188171A CN112231224A CN 112231224 A CN112231224 A CN 112231224A CN 202011188171 A CN202011188171 A CN 202011188171A CN 112231224 A CN112231224 A CN 112231224A
- Authority
- CN
- China
- Prior art keywords
- description data
- newly added
- feature vector
- service function
- historical
- 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.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 173
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 264
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 111
- 230000011218 segmentation Effects 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 17
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 14
- 238000007726 management method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- 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
- G06F11/3692—Test management for test results analysis
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据技术领域,特别是涉及一种基于人工智能的业务系统测试方法、装置、设备和介质。所述方法包括:获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据;基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能;获取目标业务功能的各测试用例,生成回归测试用例集;根据回归测试用例集,对业务系统进行回归测试,并生成系统测试结果。采用本方法能够提升测试过程的智能化水平。此外,本发明还涉及区块链技术,历史描述数据、新增描述数据、各测试用例以及系统测试结果均可存储于区块链中。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种基于人工智能的业务系统测试方法、装置、设备和介质。
背景技术
回归测试是指修改了旧代码后,重新进行测试以确认修改没有引入新的错误或导致其他代码产生错误。回归测试作为软件生命周期的一个组成部分,在整个软件测试过程中占有很大的工作量比重,软件开发的各个阶段都会进行多次回归测试。
传统方式中,一般会直接人工创建或筛选测试用例用于回归测试。
但是,通过人工创建或者筛选测试用例并进行回归测试,完全人工经验,测试过程不够智能化。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升测试过程的智能化水平的基于人工智能的业务系统测试方法、装置、设备和介质。
一种基于人工智能的业务系统测试方法,所述方法包括:
获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据;
基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能;
获取目标业务功能的各测试用例,生成回归测试用例集;
根据回归测试用例集,对业务系统进行回归测试,并生成系统测试结果。
在其中一个实施例中,基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能,包括:
基于各历史描述数据以及新增描述数据,确定各历史描述数据与新增描述数据之间的相似度;
基于相似度,确定与各新增业务功能存在关联性的目标业务功能。
在其中一个实施例中,基于各历史描述数据以及新增描述数据,确定各历史描述数据与新增描述数据之间的相似度,包括:
根据各历史描述数据以及新增描述数据,生成对应各已有业务功能的描述数据集合;
对各描述数据集合中的历史描述数据以及新增描述数据分别进行分词处理,得到对应各描述数据集合的分词结果;
从各描述数据集合对应的分词结果中提取出至少一个关键词,并基于提取的关键词构建对应描述数据集合的关键词组;
根据各描述数据集合对应的关键词组,生成对应各描述数据集合的特征向量组;
根据各描述数据集合对应的特征向量组,计算各描述数据集合中历史描述数据与新增描述数据之间的相似度。
在其中一个实施例中,从各描述数据集合对应的分词结果中提取出至少一个关键词,并基于提取的关键词构建对应描述数据集合的关键词组,包括:
从各分词结果中提取出多个关键词;
根据各关键词的词性和词义,确定多个关键词中的相似词,并对确定的相似词进行合并处理,得到合并处理后的各关键词;
根据合并处理后的各关键词构建关键词组。
在其中一个实施例中,根据各描述数据集合对应的关键词组,生成对应各描述数据集合的特征向量组,包括:
对关键词组中各关键词添加对应的序列标签;
基于各关键词组以及对应的各序列标签,对各关键词组对应的描述数据集合进行转换,生成对应各描述数据集合的第一特征向量以及第二特征向量,第一特征向量为对应描述数据集合中历史描述数据的特征向量,第二特征向量为对应描述数据集合中新增描述数据的特征向量;
根据各第一特征向量和第二特征向量,得到对应各描述数据集合的特征向量组。
在其中一个实施例中,基于各相似度,确定与新增业务功能存在关联性的目标业务功能,包括:
基于各相似度,对各已有业务功能进行排序;
从排序后的已有业务功能中选取预设数量的已有业务功能,并确定为与新增业务功能存在关联性的目标业务功能。
在其中一个实施例中,方法还包括:
将各历史描述数据、新增描述数据、各测试用例以及系统测试结果中的至少一个上传至区块链节点中进行存储。
一种基于人工智能的业务系统测试装置,所述装置包括:
业务数据获取模块,用于获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据;
目标业务功能确定模块,用于基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能;
回归测试用例集生成模块,用于获取目标业务功能的各测试用例,生成回归测试用例集;
测试结果生成模块,用于根据回归测试用例集,对业务系统进行回归测试,并生成系统测试结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
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一实施例所述的方法的步骤。
上述基于人工智能的业务系统测试方法、装置、设备和介质,通过获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据,并基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能,然后获取目标业务功能的各测试用例,生成回归测试用例集,进一步根据回归测试用例集对业务系统进行回归测试,并生成系统测试结果。从而,可以通过描述数据确定与新增业务功能之间存在关联性的已有业务功能,并获取对应的测试用例并进行回归测试,而不依赖于人工筛选测试用例并进行测试,可以提升业务系统测试的智能化水平。并且,通过描述数据确定与新增业务功能之间存在关联性的已有业务功能,可以准确的获取到在该业务系统中添加该新增业务功能时可能影响到的已有业务功能,进而可以提升业务系统测试的准确性,并提升业务系统运行的稳定性。
附图说明
图1为一个实施例中基于人工智能的业务系统测试方法的应用场景图;
图2为一个实施例中基于人工智能的业务系统测试方法的流程示意图;
图3为一个实施例中相似度确定步骤的流程示意图;
图4为一个实施例中特征向量组生成步骤的流程示意图;
图5为一个实施例中基于人工智能的业务系统测试装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于人工智能的业务系统测试方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。服务器104获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据,然后基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能。然后,服务器104获取目标业务功能的各测试用例,生成回归测试用例集,并根据回归测试用例集,对业务系统进行回归测试,并生成系统测试结果。进一步,服务器104可以将系统测试结果反馈至终端,以通过终端展示。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于人工智能的业务系统测试方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据。
其中,业务系统是指在升级更新中的各种系统,例如,可以是从V1版升级至V2版的业务系统,如与保险、购物以及物流等业务相关的系统。
在本实施例中,业务系统中可以存在有多个已有业务功能,该多个已有业务功能可以是通过多次系统升级迭代后得到的功能。
在本实施例中,业务功能具体是指与某具体业务相关的功能,例如,可以包括但不限于交易功能、推荐功能、付款功能、显示功能、追踪功能以及指示提示功能等。
描述数据与业务功能相对应,各业务功能有其对应的描述数据。具体地,描述数据可以包括但不限于具体的业务需求数据、开发调研数据、业务评估数据、开发处理人员数据、测试问题数据、问题解决方案数据以及业务代码数据等与对应的业务功能相关的数据。
在本实施例中,各历史描述数据与各已有业务功能相对应,新增业务功能与新增描述数据相对应。
在本实施例中,服务器在将新增业务功能添加到业务系统中之后,可以获取业务系统中除去新增业务功能的各已有业务功能的各历史描述数据,以及对应新增业务功能的新增描述数据。
具体地,历史描述数据可以存储于业务数据库中,业务数据库中可以存储有与多个业务系统对应的历史描述数据。服务器可以根据业务系统的系统标识,对业务数据库进行查询,并进行筛选,以获取对应业务系统已有业务功能的历史描述数据。
步骤S204,基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能。
具体地,在业务系统中,业务功能与业务功能之间存在相互影响相互作用的关联性,例如,业务功能A的代码与业务功能B的代码之间存在相互引用关系,当更改业务功能A的业务代码时,可能会影响业务功能B的正常执行;或者业务功能A与业务功能B所涉及的具体技术实现相同;或者是同一开发团队等。以上,均可以确定业务功能A与业务功能B之间存在一定的关联性。
在本实施例中,服务器可以根据各个已有业务功能的历史描述数据以及新增业务功能的新增描述数据,对各个已有业务功能与新增业务功能之间的关联性进行判定,以从各已有业务功能中确定对应新增业务功能的目标业务功能。
步骤S206,获取目标业务功能的各测试用例,生成回归测试用例集。
其中,测试用例是指对一项特定的软件产品进行测试任务的描述,体现测试方案、方法、技术和策略,其具体内容可以包括但不限于测试目标、测试环境、输入数据、测试步骤、预期结果以及测试脚本等。
在本实施例中,每一业务功能可以对应有多个测试用例,各业务功能的测试用例可以通过关联模块与该业务功能对应的描述数据关联,关联模块A关联业务功能A的描述数据A以及对应的测试用例A。
在本实施例中,服务器在确定对应新增业务功能的目标业务功能后,可以根据目标业务功能对应的描述数据的关联模块,获取对应目标业务功能的测试用例,并生成回归测试用例集。例如,服务器可以通过关联模块A,获取描述数据A对应的测试用例A。
在本实施例中,与新增业务功能对应的目标业务功能可以有多个,服务器可以并行获取各目标业务功能所对应的测试用例,以得到用于对业务系统进行测试的回归测试用例集。
步骤S208,根据回归测试用例集,对业务系统进行回归测试,并生成系统测试结果。
其中,系统测试结果可以是指自动化测试平台基于回归测试用例集对业务系统进行回归测试后所生成的结果,具体可以是测试通过或者是测试不通过的结果。
在本实施例中,服务器可以将回归测试用例集上传至自动化测试平台,以通过自动化测试平台对添加有新增业务功能的业务系统进行回归测试。
在本实施例中,自动化测试平台在进行回归测试后,可以输出对应的测试通过率。具体地,当测试通过率为100%时,则服务器可以生成测试通过的测试结果,当测试通过率低于100%时,则服务器可以生成测试不通过的测试结果。
在本实施例中,服务器在生成不通过的测试结果时,还输出测试不通过的测试用例对应的测试数据,以使得终端可以基于测试结果确定故障原因所在。
上述基于人工智能的业务系统测试方法中,通过获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据,并基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能,然后获取目标业务功能的各测试用例,生成回归测试用例集,进一步根据回归测试用例集对业务系统进行回归测试,并生成系统测试结果。从而,可以通过描述数据确定与新增业务功能之间存在关联性的已有业务功能,并获取对应的测试用例并进行回归测试,而不依赖于人工筛选测试用例并进行测试,可以提升业务系统测试的智能化水平。并且,通过描述数据确定与新增业务功能之间存在关联性的已有业务功能,可以准确的获取到在该业务系统中添加该新增业务功能时可能影响到的已有业务功能,进而可以提升业务系统测试的准确性,并提升业务系统运行的稳定性。
在其中一个实施例中,基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能,可以包括:基于各历史描述数据以及新增描述数据,确定各历史描述数据与新增描述数据之间的相似度;基于相似度,确定与各新增业务功能存在关联性的目标业务功能。
其中,相似度可以是相似分值、相似度等级或者是相似概率,例如,相似分值为50分,相似等级为二级或者相似概率为50%等。
在本实施例中,服务器可以分别计算各历史描述数据与新增描述数据之间的相似度,以确定各已有业务功能是否与该新增业务功能之间存在关联性。
在本实施例中,服务器计算各历史描述数据以及新增描述数据之间的相似度可以是并行记性计算,即服务器通过多个线程并行对单个的历史描述数据与新增描述数据进行相似度的计算。
在本实施例中,相似度计算可以通过曼哈顿距离、欧氏距离、切比雪夫距离、余弦相似度、皮尔逊相关系数以及马氏距离等各种方式进行计算,本申请对此不作限制。
在本实施例中,服务器也可以根据计算策略,将已有业务功能分成多组,然后通过多个线程,并行进行相似度的计算。
上述实施例中,通过计算各历史描述数据与新增描述数据之间的各相似度,然后基于各相似度,确定与新增业务功能存在关联性的目标业务功能,从而可以根据相似度确定业务功能之间的关联性,以提升新增业务功能所对应的目标业务功能确定的准确性。
在其中一个实施例中,参考图3,基于各历史描述数据以及新增描述数据,确定各历史描述数据与新增描述数据之间的相似度,可以包括:
步骤S302,根据各历史描述数据以及新增描述数据,生成对应各已有业务功能的描述数据集合。
具体地,服务器根据各已有业务功能对应的历史描述数据以及该新增描述数据,得到对应已有业务功能的描述数据集合。例如,历史描述数据“给人群圈选的人群包管理页面添加详情页面”,新增描述数据“人群圈选后台新增已转化人群-实时转化人群计算”,则“给人群圈选的人群包管理页面添加详情页面,人群圈选后台新增已转化人群-实时转化人群计算”即可以组成一个描述数据集合。
在本实施例中,服务器可以将所有已有业务功能的历史描述数据分别与新增业务功能对应的新增描述数据进行组合,以得到对应各已有业务功能的描述数据集合。
步骤S304,对各描述数据集合中的历史描述数据以及新增描述数据分别进行分词处理,得到对应各描述数据集合的分词结果。
具体地,对于每一描述数据集合,服务器均可以对其历史描述数据以及新增描述数据分别进行分词处理,以生成对应各描述数据集合的分词结果。
在本实施例中,可以通过语言技术平台(Language Technology Platform,LTP)、斯坦福分词器、结巴分词等。
步骤S306,从各描述数据集合对应的分词结果中提取出至少一个关键词,并基于提取的关键词构建对应描述数据集合的关键词组。
在本实施例中,服务器可以分别得到对应各描述数据集合的分词结果,然后基于分词结果,得到对应描述数据集合的至少一个关键词。例如,继续延用前例,对于“给人群圈选的人群包管理页面添加详情页面,人群圈选后台新增已转化人群-实时转化人群计算”描述数据集合,服务器可以得到对应历史描述数据“给人群圈选的人群包管理页面添加详情页面”的分词结果为“给,人群,圈选,的,人群,包,管理,页面,添加,详情,页面”,服务器可以得到对应新增描述数据“人群圈选后台新增已转化人群-实时转化人群计算”的分词结果为“人群,圈选,后台,新增,已,转化,人群,-,实时,转化,人群,计算”。
进一步,服务器可以从得到的分词结果中提取出关键词“人群,圈选,管理,添加,详情,页面,新增,转化,实时,计算”等。
在本实施例中,服务器可以以提取得到的关键词构建对应描述数据集合的构建关键词组,例如【人群,圈选,管理,添加,详情,页面,新增,转化,实时,计算】。
步骤S308,根据各描述数据集合对应的关键词组,生成对应各描述数据集合的特征向量组。
具体地,服务器基于各描述数据集合对应的关键词组,对描述数据集合中的历史描述数据以及新增描述数据进行数据转换,生成对应描述数据集合的特征向量组,例如,得到对应“给人群圈选的人群包管理页面添加详情页面,人群圈选后台新增已转化人群-实时转化人群计算”描述数据集合的特征向量组为“【2,1,1,1,1,0,2,0,0,0】,【2,1,0,1,0,1,0,2,1,1】”。
步骤S310,根据各描述数据集合对应的特征向量组,计算各描述数据集合中历史描述数据与新增描述数据之间的相似度。
在本实施例中,服务器可以通过利用相似度模型计算特征向量组中特征向量的相似度,例如,使用余弦相似度计算模型等,即cosine_sim=similarity_with_2_sents(N1,N2)。其中,N1标识历史描述数据的特征向量,N2标识新增描述数据的特征向量。
进一步,服务器可以通过相似度模型输出对应的相似度结果,例如,相似度为0.7291等。
在本实施例中,服务器可以遍历各描述数据集合,以得到对应各描述数据集合的相似度。
上述实施例中,通过对各描述数据集合进行分词处理,并构建关键词组,然后基于各关联词组以及对应的描述数据集合,生成对应的特征向量组,并进行相似度的计算,从而,可以对非量化的描述数据进行量化转换,并进行相似度的计算,以提升数据处理的准确性以及处理效率。
在其中一个实施例中,从各描述数据集合对应的分词结果中提取出至少一个关键词,并基于提取的关键词构建对应描述数据集合的关键词组,可以包括:从各分词结果中提取出多个关键词;根据各关键词的词性和词义,确定多个关键词中的相似词,并对确定的相似词进行合并处理,得到合并处理后的各关键词;根据合并处理后的各关键词构建关键词组。
具体地,服务器可以从分词结果中提取出多个关键词后,并通过对各关键词的词性以及词义进行比较,确定多个关键词中的相似词,例如,“添加”和“新增”可以确定为相似词。
进一步,服务器可以对相似词进行合并处理,并基于合并后的各关键词构建关键词组。例如,继续沿用前例,从分词结果中提取出的关键词为“人群,圈选,管理,添加,详情,页面,新增,转化,实时,计算”,其中,“添加”和“新增”为相似词,则服务器经合并处理后构建得到的关键词组为【人群,圈选,管理,添加/新增,详情,页面,转化,实时,计算】。
上述实施例中,通过对各关键词的词性以及词义的识别,确定相似词,并进行相似词的合并,从而可以减少后续数据处理过程中的处理量,可以提升数据处理的效率。
在其中一个实施例中,参考图4,根据各描述数据集合对应的关键词组,生成对应各描述数据集合的特征向量组,可以包括:
步骤S402,对关键词组中各关键词添加对应的序列标签。
继续延用前例,服务器可以从得到的分词结果中提取得到的关键词为“人群,圈选,管理,添加,详情,页面,新增,转化,实时,计算”,则服务器可以对关键词组中各关键词添加序列标签,例如,关键字“人群”对应的序列标签为1,关键字“圈选”对应的序列标签为2,关键字“管理”对应的序列标签为3,关键字“添加”对应的序列标签为4,关键字“详情”对应的序列标签为5,关键字“页面”对应的序列标签为6,关键字“新增”对应的序列标签为7,关键字“转化”对应的序列标签为8,关键字“实时”对应的序列标签为9,关键字“计算”对应的序列标签为10。
步骤S404,基于各关键词组以及对应的各序列标签,对各关键词组对应的描述数据集合进行转换,生成对应各描述数据集合的第一特征向量以及第二特征向量,第一特征向量为对应描述数据集合中历史描述数据的特征向量,第二特征向量为对应描述数据集合中新增描述数据的特征向量。
具体地,服务器根据关键字的序列标签,确定特征向量与关键字之间的映射关系,例如,关键字“人群”,其序列标签为1,则对应于待生成特征向量中第一个向量元素,关键字“添加”,其序列标签为4,则对应于待生成特征向量中第四个向量元素,从而,可以服务器可以建立各关键字与待生成特征向量之间的映射关系。
进一步,服务器可以根据历史描述数据、新增描述数据、关键词组以及映射关系,确定对应历史描述数据的第一特征向量以及对应新增描述数据的第二特征向量,例如,对于历史描述数据“给人群圈选的人群包管理页面添加详情页面”,关键字“人群”出现频率为2,则在待生成特征向量中其对应的向量元素为2,关键字“圈选”出现频率为1,则在待生成特征向量中其对应的向量元素为1,关键字“页面”出现频率为2,则在待生成特征向量中其对应的向量元素为2,关键字“计算”出现频率为0,则在待生成特征向量中其对应的向量元素为0。从而,服务器可以基于上述处理过程,可以得到对应历史描述数据的第一特征向量为【2,1,1,1,1,0,2,0,0,0】以及对应新增描述数据的第二特征向量【2,1,0,1,0,1,0,2,1,1】。
步骤S406,根据各第一特征向量和第二特征向量,得到对应各描述数据集合的特征向量组。
在本实施例中,服务器可以基于各描述数据集合对应的第一特征向量以及第二特征向量,生成对应各描述数据集合的特征向量组,即服务器可以生成对应描述数据集合“给人群圈选的人群包管理页面添加详情页面,人群圈选后台新增已转化人群-实时转化人群计算”的特征向量组为“【2,1,1,1,1,0,2,0,0,0】,【2,1,0,1,0,1,0,2,1,1】”
上述实施例中,通过序列标签,建立关键词组中各关键词与特征向量之间的映射关系,并对历史描述数据以及新增描述数据进行转换,以得到对应的第一特征向量和第二特征向量,从而,可以将非量化的数据转换为量化的数据,便于后续相似度的计算,提升计算的便利性,进而提升处理效率。
在其中一个实施例中,基于各相似度,确定与新增业务功能存在关联性的目标业务功能,可以包括:基于各相似度,对各已有业务功能进行排序;从排序后的已有业务功能中选取预设数量的已有业务功能,并确定为与新增业务功能存在关联性的目标业务功能。
具体地,服务器可以根据对应各已有业务功能的相似度,对各已有业务功能进行排序,例如升序或者排序处理等。
进一步,服务器可以从排序后的已有业务功能中确定预设数量的已有业务功能作为与新增业务功能存在关联性的目标业务功能。例如,服务器从排序后的已有业务功能中选取相似度分数最高的10个已有业务功能作为与新增业务功能存在相关性的目标业务功能。
可选地,服务器也可以设定阈值条件,相似度大于或等于阈值条件的已有业务功能为备选业务功能,然后基于各备选业务功能对应的相似度,确定与新增业务功能存在关联性的目标业务功能。
具体地,当相似度大于或等于阈值条件的已有业务功能的数量小于或等于预设数量时,则服务器可以确定相似度大于或等于阈值条件的所有已有业务功能为与新增业务功能存在关联性的目标业务功能,当相似度大于或等于阈值条件的已有业务功能的数量大于预设数量时,则服务器可以从相似度大于或等于阈值条件的已有业务功能中确定预设数量的已有业务功能,并作为与新增业务功能存在关联性的目标业务功能。
上述实施例中,通过基于相似度,对各已有业务功能进行排序并确定与新增业务功能在关联性的目标业务功能,相比于从混乱的业务功能中确定目标业务功能,可以提升数据处理效率以及准确性。
在其中一个实施例中,上述方法还可以包括:将各历史描述数据、新增描述数据、各测试用例以及系统测试结果中的至少一个上传至区块链节点中进行存储。
其中,区块链是指分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Block chain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。
具体地,区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在本实施例中,服务器可以将历史描述数据、新增描述数据、各测试用例以及系统测试结果中的一个或者多个数据上传并存储于区块链的节点中,以保证数据的私密性和安全性。
上述实施例中,通过将历史描述数据、新增描述数据、各测试用例以及系统测试结果中至少一个上传至区块链并存储于区块链的节点中,从而可以保障存储至区块链节点中数据的私密性,可以提升数据的安全性。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于人工智能的业务系统测试装置,包括:业务数据获取模块100、目标业务功能确定模块200、回归测试用例集生成模块300和测试结果生成模块400,其中:
业务数据获取模块100,用于获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据。
目标业务功能确定模块200,用于基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能。
回归测试用例集生成模块300,用于获取目标业务功能的各测试用例,生成回归测试用例集。
测试结果生成模块400,用于根据回归测试用例集,对业务系统进行回归测试,并生成系统测试结果。
在其中一个实施例中,目标业务功能确定模块200可以包括:
相似度确定子模块,用于基于各历史描述数据以及新增描述数据,确定各历史描述数据与新增描述数据之间的相似度。
目标业务功能确定子模块,用于基于相似度,确定与各新增业务功能存在关联性的目标业务功能。
在其中一个实施例中,相似度确定子模块可以包括:
描述数据集合生成单元,用于根据各历史描述数据以及新增描述数据,生成对应各已有业务功能的描述数据集合。
分词单元,用于对各描述数据集合中的历史描述数据以及新增描述数据分别进行分词处理,得到对应各描述数据集合的分词结果。
关键词组生成单元,用于从各描述数据集合对应的分词结果中提取出至少一个关键词,并基于提取的关键词构建对应描述数据集合的关键词组。
特征向量组生成单元,用于根据各描述数据集合对应的关键词组,生成对应各描述数据集合的特征向量组。
相似度计算单元,用于根据各描述数据集合对应的特征向量组,计算各描述数据集合中历史描述数据与新增描述数据之间的相似度。
在其中一个实施例中,关键词组生成单元可以包括:
关键词提取子单元,用于从各分词结果中提取出多个关键词。
合并处理子单元,用于根据各关键词的词性和词义,确定多个关键词中的相似词,并对确定的相似词进行合并处理,得到合并处理后的各关键词。
关键词组生成子单元,用于根据合并处理后的各关键词构建关键词组。
在其中一个实施例中,特征向量组生成单元可以包括:
序列标签生成子单元,用于对关键词组中各关键词添加对应的序列标签。
特征向量生成子单元,用于基于各关键词组以及对应的各序列标签,对各关键词组对应的描述数据集合进行转换,生成对应各描述数据集合的第一特征向量以及第二特征向量,第一特征向量为对应描述数据集合中历史描述数据的特征向量,第二特征向量为对应描述数据集合中新增描述数据的特征向量。
特征向量组生成子单元,用于根据各第一特征向量和第二特征向量,得到对应各描述数据集合的特征向量组。
在其中一个实施例中,目标业务功能确定子模块可以包括:
排序单元,用于基于各相似度,对各已有业务功能进行排序。
目标业务功能确定单元,用于从排序后的已有业务功能中选取预设数量的已有业务功能,并确定为与新增业务功能存在关联性的目标业务功能。
在其中一个实施例中,上述装置还可以包括:
存储模块,用于将各历史描述数据、新增描述数据、各测试用例以及系统测试结果中的至少一个上传至区块链节点中进行存储。
关于基于人工智能的业务系统测试装置的具体限定可以参见上文中对于基于人工智能的业务系统测试方法的限定,在此不再赘述。上述基于人工智能的业务系统测试装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史描述数据、新增描述数据、各测试用例以及系统测试结果等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的业务系统测试方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据;基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能;获取目标业务功能的各测试用例,生成回归测试用例集;根据回归测试用例集,对业务系统进行回归测试,并生成系统测试结果。
在其中一个实施例中,处理器执行计算机程序时实现基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能,可以包括:基于各历史描述数据以及新增描述数据,确定各历史描述数据与新增描述数据之间的相似度;基于相似度,确定与各新增业务功能存在关联性的目标业务功能。
在其中一个实施例中,处理器执行计算机程序时实现基于各历史描述数据以及新增描述数据,确定各历史描述数据与新增描述数据之间的相似度,可以包括:根据各历史描述数据以及新增描述数据,生成对应各已有业务功能的描述数据集合;对各描述数据集合中的历史描述数据以及新增描述数据分别进行分词处理,得到对应各描述数据集合的分词结果;从各描述数据集合对应的分词结果中提取出至少一个关键词,并基于提取的关键词构建对应描述数据集合的关键词组;根据各描述数据集合对应的关键词组,生成对应各描述数据集合的特征向量组;根据各描述数据集合对应的特征向量组,计算各描述数据集合中历史描述数据与新增描述数据之间的相似度。
在其中一个实施例中,处理器执行计算机程序时实现从各描述数据集合对应的分词结果中提取出至少一个关键词,并基于提取的关键词构建对应描述数据集合的关键词组,可以包括:从各分词结果中提取出多个关键词;根据各关键词的词性和词义,确定多个关键词中的相似词,并对确定的相似词进行合并处理,得到合并处理后的各关键词;根据合并处理后的各关键词构建关键词组。
在其中一个实施例中,处理器执行计算机程序时实现根据各描述数据集合对应的关键词组,生成对应各描述数据集合的特征向量组,可以包括:对关键词组中各关键词添加对应的序列标签;基于各关键词组以及对应的各序列标签,对各关键词组对应的描述数据集合进行转换,生成对应各描述数据集合的第一特征向量以及第二特征向量,第一特征向量为对应描述数据集合中历史描述数据的特征向量,第二特征向量为对应描述数据集合中新增描述数据的特征向量;根据各第一特征向量和第二特征向量,得到对应各描述数据集合的特征向量组。
在其中一个实施例中,处理器执行计算机程序时实现基于各相似度,确定与新增业务功能存在关联性的目标业务功能,可以包括:基于各相似度,对各已有业务功能进行排序;从排序后的已有业务功能中选取预设数量的已有业务功能,并确定为与新增业务功能存在关联性的目标业务功能。
在其中一个实施例中,处理器执行计算机程序时还可以实现以下步骤:将各历史描述数据、新增描述数据、各测试用例以及系统测试结果中的至少一个上传至区块链节点中进行存储。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据;基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能;获取目标业务功能的各测试用例,生成回归测试用例集;根据回归测试用例集,对业务系统进行回归测试,并生成系统测试结果。
在其中一个实施例中,计算机程序被处理器执行时实现基于各历史描述数据以及新增描述数据,从已有业务功能中确定与新增业务功能存在关联性的目标业务功能,可以包括:基于各历史描述数据以及新增描述数据,确定各历史描述数据与新增描述数据之间的相似度;基于相似度,确定与各新增业务功能存在关联性的目标业务功能。
在其中一个实施例中,计算机程序被处理器执行时实现基于各历史描述数据以及新增描述数据,确定各历史描述数据与新增描述数据之间的相似度,可以包括:根据各历史描述数据以及新增描述数据,生成对应各已有业务功能的描述数据集合;对各描述数据集合中的历史描述数据以及新增描述数据分别进行分词处理,得到对应各描述数据集合的分词结果;从各描述数据集合对应的分词结果中提取出至少一个关键词,并基于提取的关键词构建对应描述数据集合的关键词组;根据各描述数据集合对应的关键词组,生成对应各描述数据集合的特征向量组;根据各描述数据集合对应的特征向量组,计算各描述数据集合中历史描述数据与新增描述数据之间的相似度。
在其中一个实施例中,计算机程序被处理器执行时实现从各描述数据集合对应的分词结果中提取出至少一个关键词,并基于提取的关键词构建对应描述数据集合的关键词组,可以包括:从各分词结果中提取出多个关键词;根据各关键词的词性和词义,确定多个关键词中的相似词,并对确定的相似词进行合并处理,得到合并处理后的各关键词;根据合并处理后的各关键词构建关键词组。
在其中一个实施例中,计算机程序被处理器执行时实现根据各描述数据集合对应的关键词组,生成对应各描述数据集合的特征向量组,可以包括:对关键词组中各关键词添加对应的序列标签;基于各关键词组以及对应的各序列标签,对各关键词组对应的描述数据集合进行转换,生成对应各描述数据集合的第一特征向量以及第二特征向量,第一特征向量为对应描述数据集合中历史描述数据的特征向量,第二特征向量为对应描述数据集合中新增描述数据的特征向量;根据各第一特征向量和第二特征向量,得到对应各描述数据集合的特征向量组。
在其中一个实施例中,计算机程序被处理器执行时实现基于各相似度,确定与新增业务功能存在关联性的目标业务功能,可以包括:基于各相似度,对各已有业务功能进行排序;从排序后的已有业务功能中选取预设数量的已有业务功能,并确定为与新增业务功能存在关联性的目标业务功能。
在其中一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:将各历史描述数据、新增描述数据、各测试用例以及系统测试结果中的至少一个上传至区块链节点中进行存储。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人工智能的业务系统测试方法,其特征在于,所述方法包括:
获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据;
基于各所述历史描述数据以及所述新增描述数据,从所述已有业务功能中确定与所述新增业务功能存在关联性的目标业务功能;
获取所述目标业务功能的各测试用例,生成回归测试用例集;
根据所述回归测试用例集,对所述业务系统进行回归测试,并生成系统测试结果。
2.根据权利要求1所述的方法,其特征在于,所述基于各所述历史描述数据以及所述新增描述数据,从所述已有业务功能中确定与所述新增业务功能存在关联性的目标业务功能,包括:
基于各所述历史描述数据以及所述新增描述数据,确定各所述历史描述数据与所述新增描述数据之间的相似度;
基于所述相似度,确定与各所述新增业务功能存在关联性的目标业务功能。
3.根据权利要求2所述的方法,其特征在于,所述基于各所述历史描述数据以及所述新增描述数据,确定各所述历史描述数据与所述新增描述数据之间的相似度,包括:
根据各所述历史描述数据以及所述新增描述数据,生成对应各所述已有业务功能的描述数据集合;
对各所述描述数据集合中的历史描述数据以及新增描述数据分别进行分词处理,得到对应各所述描述数据集合的分词结果;
从各所述描述数据集合对应的分词结果中提取出至少一个关键词,并基于提取的所述关键词构建对应描述数据集合的关键词组;
根据各所述描述数据集合对应的关键词组,生成对应各所述描述数据集合的特征向量组;
根据各所述描述数据集合对应的特征向量组,计算各所述描述数据集合中历史描述数据与新增描述数据之间的相似度。
4.根据权利要求3所述的方法,其特征在于,所述从各所述描述数据集合对应的分词结果中提取出至少一个关键词,并基于提取的所述关键词构建对应描述数据集合的关键词组,包括:
从各所述分词结果中提取出多个关键词;
根据各所述关键词的词性和词义,确定所述多个关键词中的相似词,并对确定的所述相似词进行合并处理,得到合并处理后的各关键词;
根据合并处理后的各关键词构建关键词组。
5.根据权利要求3所述的方法,其特征在于,所述根据各所述描述数据集合对应的关键词组,生成对应各所述描述数据集合的特征向量组,包括:
对所述关键词组中各关键词添加对应的序列标签;
基于各所述关键词组以及对应的各所述序列标签,对各所述关键词组对应的描述数据集合进行转换,生成对应各所述描述数据集合的第一特征向量以及第二特征向量,所述第一特征向量为对应描述数据集合中历史描述数据的特征向量,所述第二特征向量为对应描述数据集合中新增描述数据的特征向量;
根据各所述第一特征向量和所述第二特征向量,得到对应各所述描述数据集合的特征向量组。
6.根据权利要求2所述的方法,其特征在于,所述基于各所述相似度,确定与所述新增业务功能存在关联性的目标业务功能,包括:
基于各所述相似度,对各所述已有业务功能进行排序;
从排序后的已有业务功能中选取预设数量的已有业务功能,并确定为与所述新增业务功能存在关联性的目标业务功能。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
将各所述历史描述数据、所述新增描述数据、各所述测试用例以及所述系统测试结果中的至少一个上传至区块链节点中进行存储。
8.一种基于人工智能的业务系统测试装置,其特征在于,所述装置包括:
业务数据获取模块,用于获取业务系统中已有业务功能的各历史描述数据以及新增业务功能的新增描述数据;
目标业务功能确定模块,用于基于各所述历史描述数据以及所述新增描述数据,从所述已有业务功能中确定与所述新增业务功能存在关联性的目标业务功能;
回归测试用例集生成模块,用于获取所述目标业务功能的各测试用例,生成回归测试用例集;
测试结果生成模块,用于根据所述回归测试用例集,对所述业务系统进行回归测试,并生成系统测试结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6或7中任一项所述方法的步骤。
10.一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至6或7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188171.3A CN112231224A (zh) | 2020-10-30 | 2020-10-30 | 基于人工智能的业务系统测试方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188171.3A CN112231224A (zh) | 2020-10-30 | 2020-10-30 | 基于人工智能的业务系统测试方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112231224A true CN112231224A (zh) | 2021-01-15 |
Family
ID=74122995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011188171.3A Pending CN112231224A (zh) | 2020-10-30 | 2020-10-30 | 基于人工智能的业务系统测试方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231224A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685324A (zh) * | 2021-01-21 | 2021-04-20 | 三一重工股份有限公司 | 一种生成测试方案的方法及系统 |
CN113434414A (zh) * | 2021-06-28 | 2021-09-24 | 平安银行股份有限公司 | 数据测试方法、装置、电子设备及存储介质 |
CN113505805A (zh) * | 2021-05-25 | 2021-10-15 | 平安银行股份有限公司 | 样本数据闭环生成方法、装置、设备及存储介质 |
CN113672496A (zh) * | 2021-07-09 | 2021-11-19 | 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 |
CN114168565A (zh) * | 2021-12-10 | 2022-03-11 | 北京宇信科技集团股份有限公司 | 业务规则模型的回溯测试方法、装置、系统及决策引擎 |
CN115102871A (zh) * | 2022-05-20 | 2022-09-23 | 浙江大学 | 基于业务特征向量的能源互联网控制终端业务处理方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482815A (zh) * | 2008-01-10 | 2009-07-15 | 国际商业机器公司 | 生成软件系统的测试用例的方法和设备 |
CN103164328A (zh) * | 2011-12-12 | 2013-06-19 | 中国移动通信集团陕西有限公司 | 一种业务功能的回归测试方法、装置及系统 |
CN108536595A (zh) * | 2018-04-09 | 2018-09-14 | 平安普惠企业管理有限公司 | 测试用例智能化匹配方法、装置、计算机设备及存储介质 |
CN109117363A (zh) * | 2018-06-28 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种测试用例生成方法、装置及服务器 |
CN110162468A (zh) * | 2019-04-26 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种测试方法、装置以及计算机可读存储介质 |
CN110362478A (zh) * | 2019-06-19 | 2019-10-22 | 平安科技(深圳)有限公司 | 应用升级测试方法、装置、计算机设备和存储介质 |
CN110471858A (zh) * | 2019-08-22 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 应用程序测试方法、装置及存储介质 |
CN110737584A (zh) * | 2019-08-30 | 2020-01-31 | 深圳壹账通智能科技有限公司 | 基于区块链的业务数据测试方法、装置及计算机设备 |
CN111309585A (zh) * | 2018-12-12 | 2020-06-19 | 北京京东尚科信息技术有限公司 | 日志数据测试方法及装置、系统、电子设备、存储介质 |
CN111694731A (zh) * | 2020-05-07 | 2020-09-22 | 东南大学 | 一种基于关键词序列引导搜索的Web应用测试用例生成方法 |
-
2020
- 2020-10-30 CN CN202011188171.3A patent/CN112231224A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482815A (zh) * | 2008-01-10 | 2009-07-15 | 国际商业机器公司 | 生成软件系统的测试用例的方法和设备 |
CN103164328A (zh) * | 2011-12-12 | 2013-06-19 | 中国移动通信集团陕西有限公司 | 一种业务功能的回归测试方法、装置及系统 |
CN108536595A (zh) * | 2018-04-09 | 2018-09-14 | 平安普惠企业管理有限公司 | 测试用例智能化匹配方法、装置、计算机设备及存储介质 |
CN109117363A (zh) * | 2018-06-28 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种测试用例生成方法、装置及服务器 |
CN111309585A (zh) * | 2018-12-12 | 2020-06-19 | 北京京东尚科信息技术有限公司 | 日志数据测试方法及装置、系统、电子设备、存储介质 |
CN110162468A (zh) * | 2019-04-26 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种测试方法、装置以及计算机可读存储介质 |
CN110362478A (zh) * | 2019-06-19 | 2019-10-22 | 平安科技(深圳)有限公司 | 应用升级测试方法、装置、计算机设备和存储介质 |
CN110471858A (zh) * | 2019-08-22 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 应用程序测试方法、装置及存储介质 |
CN110737584A (zh) * | 2019-08-30 | 2020-01-31 | 深圳壹账通智能科技有限公司 | 基于区块链的业务数据测试方法、装置及计算机设备 |
CN111694731A (zh) * | 2020-05-07 | 2020-09-22 | 东南大学 | 一种基于关键词序列引导搜索的Web应用测试用例生成方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685324A (zh) * | 2021-01-21 | 2021-04-20 | 三一重工股份有限公司 | 一种生成测试方案的方法及系统 |
CN113505805A (zh) * | 2021-05-25 | 2021-10-15 | 平安银行股份有限公司 | 样本数据闭环生成方法、装置、设备及存储介质 |
CN113505805B (zh) * | 2021-05-25 | 2023-10-13 | 平安银行股份有限公司 | 样本数据闭环生成方法、装置、设备及存储介质 |
CN113434414A (zh) * | 2021-06-28 | 2021-09-24 | 平安银行股份有限公司 | 数据测试方法、装置、电子设备及存储介质 |
CN113672496A (zh) * | 2021-07-09 | 2021-11-19 | 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 |
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 |
CN114168565A (zh) * | 2021-12-10 | 2022-03-11 | 北京宇信科技集团股份有限公司 | 业务规则模型的回溯测试方法、装置、系统及决策引擎 |
CN115102871A (zh) * | 2022-05-20 | 2022-09-23 | 浙江大学 | 基于业务特征向量的能源互联网控制终端业务处理方法 |
CN115102871B (zh) * | 2022-05-20 | 2023-10-03 | 浙江大学 | 基于业务特征向量的能源互联网控制终端业务处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112231224A (zh) | 基于人工智能的业务系统测试方法、装置、设备和介质 | |
CN111859960B (zh) | 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质 | |
CN110457431B (zh) | 基于知识图谱的问答方法、装置、计算机设备和存储介质 | |
CN108563782B (zh) | 商品信息格式处理方法、装置、计算机设备和存储介质 | |
CN111859986B (zh) | 基于多任务孪生网络的语义匹配方法、装置、设备和介质 | |
CN110751533B (zh) | 产品画像生成方法、装置、计算机设备和存储介质 | |
CN109829629B (zh) | 风险分析报告的生成方法、装置、计算机设备和存储介质 | |
CN110765763A (zh) | 语音识别文本的纠错方法、装置、计算机设备和存储介质 | |
CN110674319A (zh) | 标签确定方法、装置、计算机设备及存储介质 | |
CN109783785B (zh) | 生成实验检测报告的方法、装置和计算机设备 | |
CN110888911A (zh) | 样本数据处理方法、装置、计算机设备及存储介质 | |
CN110166522B (zh) | 服务器识别方法、装置、可读存储介质和计算机设备 | |
CN110135943B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN110910864A (zh) | 训练样本的选取方法、装置、计算机设备和存储介质 | |
CN112016318A (zh) | 基于解释模型的分诊信息推荐方法、装置、设备及介质 | |
CN110362798B (zh) | 裁决信息检索分析方法、装置、计算机设备和存储介质 | |
CN109460541B (zh) | 词汇关系标注方法、装置、计算机设备和存储介质 | |
CN107832227B (zh) | 业务系统的接口参数测试方法、装置、设备和存储介质 | |
CN111274202A (zh) | 电子合同生成方法、装置、计算机设备及存储介质 | |
CN108334452B (zh) | 规则数据移交测试方法、装置、计算机设备和存储介质 | |
CN112464660B (zh) | 文本分类模型构建方法以及文本数据处理方法 | |
CN114327374A (zh) | 业务流程的生成方法、装置及计算机设备 | |
CN111858467B (zh) | 基于人工智能的文件数据处理方法、装置、设备和介质 | |
CN110597977B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114527974B (zh) | 软件产品的业务功能实现方法、装置和计算机设备 |
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 |