CN112925723B - 测试服务推荐方法、装置、计算机设备及存储介质 - Google Patents

测试服务推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112925723B
CN112925723B CN202110360360.2A CN202110360360A CN112925723B CN 112925723 B CN112925723 B CN 112925723B CN 202110360360 A CN202110360360 A CN 202110360360A CN 112925723 B CN112925723 B CN 112925723B
Authority
CN
China
Prior art keywords
test
test service
information
service
recommendation
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
Application number
CN202110360360.2A
Other languages
English (en)
Other versions
CN112925723A (zh
Inventor
刘海英
杨万强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Fu Shen Lan Software Co ltd
Original Assignee
Shanghai Fu Shen Lan Software Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Fu Shen Lan Software Co ltd filed Critical Shanghai Fu Shen Lan Software Co ltd
Priority to CN202110360360.2A priority Critical patent/CN112925723B/zh
Publication of CN112925723A publication Critical patent/CN112925723A/zh
Application granted granted Critical
Publication of CN112925723B publication Critical patent/CN112925723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及软件测试领域，公开了一种测试服务推荐方法、装置、计算机设备及存储介质，其方法包括：获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息；通过预设需求解析模型处理测试服务需求信息，生成测试需求特征；通过DRN模型处理测试需求特征、测试服务知识图谱和测试服务消费信息，生成测试服务推荐组合。本发明可以降低测试服务订购的难度，提高测试服务选择的准确度，降低了测试服务选择的成本，提高测试服务线上化、智能化程度。

Description

测试服务推荐方法、装置、计算机设备及存储介质
技术领域
本发明涉及软件测试领域，尤其涉及一种测试服务推荐方法、装置、计算机设备及存储介质。
背景技术
与其他服务比较，测试服务是一种专业度高的技术服务。测试服务的消费门槛和供应门槛都比较高。对于存在测试服务需求的客户而言，提出合乎规范的测试需求是存在困难的，而挑选合适的、有机整合的测试服务就是难上加难。
传统此类问题的解决方式通常是，客户在线寻找测试专家进行咨询，梳理好需求，然后与测试专家一起提出测试框架，定义出需要的测试服务，最后确定需要购买的线下/线上测试服务。
随着技术服务向云端化发展，不断涌现越来越多的云测试(云端化测试)服务。这些云测试服务的测试能力逐步趋向智能化、高效化。然而，现有的云测试订单下单方式与传统的方式并无二致，在选择服务时依然是线下规划后线上选择对应服务。对于客户来说，如何规划测试服务、如何选择云测试服务，仅仅是订购方式上的差异，并没有因为云服务变得更便捷。
发明内容
基于此，有必要针对上述技术问题，提供一种测试服务推荐方法、装置、计算机设备及存储介质，以解决测试服务选择困难的问题。
一种测试服务推荐方法，包括：
获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息；
通过预设需求解析模型处理所述测试服务需求信息，生成测试需求特征；
通过DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合。
一种测试服务推荐装置，包括：
获取数据模块，用于获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息；
特征提取模块，用于通过预设需求解析模型处理所述测试服务需求信息，生成测试需求特征；
推荐模块，用于通过DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述测试服务推荐方法。
一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述测试服务推荐方法。
上述测试服务推荐方法、装置、计算机设备及存储介质，通过获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息，以获得与测试服务推荐相关的数据。通过预设需求解析模型处理所述测试服务需求信息，生成测试需求特征，以精准提取出客户的测试需求特征。通过DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合，以高效获得推荐结果。本发明可以降低测试服务订购的难度，提高测试服务选择的准确度，降低了测试服务选择的成本，提高测试服务线上化、智能化程度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中测试服务推荐方法的一应用环境示意图；
图2是本发明一实施例中测试服务推荐方法的一流程示意图；
图3是本发明一实施例中互联网测试服务的测试服务知识图谱；
图4是本发明一实施例中测试服务推荐装置的一结构示意图；
图5是本发明一实施例中计算机设备的一示意图。
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。
本实施例提供的测试服务推荐方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端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。
在一实施例中，如图2所示，提供一种测试服务推荐方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
S10、获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息。
可理解地，测试服务知识图谱可以指某一类型的测试服务与其他服务(包括测试服务和非测试服务)之间的关联数据。
客户的测试服务需求信息可以指客户提供的具体的测试需求。在此处，客户包括但不限于企业客户和个人用户。
在一示例中，一测试服务需求信息表示为：
1、保险下单web系统(基于java语音)；
2、接口测试，保证每天版本构建质量；
3、UI测试，主要用在回归测试和验收测试；
4、缺陷统一跟踪处理；
5、测试功能点数：100个功能点，79个接口；
6、项目组成员：目前1个自动化功能测试人员，需要补充4个动化功能测试人员；
7、周期：长期。
而客户的测试服务消费信息，则是基于客户的注册信息、消费信息等而形成的数据。
可选的，步骤S10之前，所述获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息之前，还包括：
S101、获取与指定类型关联的若干测试服务相关数据；
S202、根据各个所述测试服务相关数据之间的关联关系构建所述测试服务知识图谱。
在此处，可通过构建测试服务相关数据库，存储与不同类型关联的测试服务相关数据。测试服务相关数据包括测试服务数据(各种类型的测试服务)和非测试服务数据(如人力资源数据)。可以根据测试需要，按不同维度将测试服务划分为若干不同类型。在一示例中，按功能进行划分，测试服务的类型包括功能测试服务、自动化测试服务、移动测试服务、兼容测试服务、性能测试服务、安全测试服务、用户体验测试服务、测试管理服务。在另一示例中，按行业进行划分，测试服务的类型包括互联网测试服务、银行测试服务、保险测试服务、证券测试服务、基金测试服务、信托测试服务。
可以根据各个测试服务相关数据之间的关联关系构建指定类型的测试服务知识图谱。如图3所示，图3为一示例的互联网测试服务的测试服务知识图谱。在图3的示例中，互联网测试服务与多项其他服务(在此处，其他服务指的是除互联网测试服务之外的服务)存在关联关系，部分其他服务之间也存在关联关系。
可选的，所述测试服务消费信息包括用户画像信息和用户历史选购信息；
所述用户画像信息包括行业、规模、服务偏好、架构优先度、客户优质度、使用习惯中的一种或多种。
在此处，测试服务消费信息包括用户画像信息和用户历史选购信息。可以根据客户在平台的注册信息、订购类型、订购体量、订购评率、操作习惯，以及订购服务的关联性，构建用户画像，形成用户画像信息。用户画像信息包括但不限于以下指标：行业、规模、服务偏好、架构优先度、客户优质度、使用习惯。用户历史选购信息则是客户历史的下单信息。
S20、通过预设需求解析模型处理所述测试服务需求信息，生成测试需求特征。
可理解地，预设需求解析模型可以是基于测试服务分析需要构建的语义识别模型。
可选的，所述预设需求解析模型基于双向LSTM网络构建而成。
在此处，预设需求解析模型可以是基于双向LSTM(长短期记忆网络)方法实现。具体的，可以根据收集到的测试服务需求信息，进行语义分析，自动选择/生成测试服务相关的关键字和参数，然后使用多层LSTM网络预测。双向LSTM网络可以记忆不定时间长度的数值，数据处理区块中设置有一个控制门，该控制门能够决定输入的数据是否重要到能被记住及能不能被输出。
在模型构建过程中，可以使用模式识别与双向LSTM网络相结合，实现测试需求特征的精确匹配及自学习。具体的，可以基于现有的测试需求特征库构建答案向量，将测试服务需求信息作为问题向量。基于问题向量与答案向量之间的强关联性，在测试需求解析模型中增加关注值(attention)，结合问题向量与答案向量之间的LSTM隐向量求取关注值。这样，对于类似的答案向量，可为不同的问题向量设定优先级。问题向量可以使用标点作为单位，答案向量可以使用关键字为单位。将双向LSTM的输出矩阵以每个词左右各扩展N个，这样能得到更多的细节信息，有利于局部信息的利用。先做LSTM再进行卷积，把信息高损操作放到后面，以避免使用卷积处理导致信息的损失。
在测试需求解析模型中，先对问题向量进行双向长短时记忆网络神经算法计算。可以使用标准LSTM算法，并优化调整参数。在计算过程中，后一个计算单元会对前一个进行反馈。并再此基础上进行N扩展。之后再进行网络神经卷积(可采用标准RNN算法，不做特殊处理)，同时结合计算出的问题向量对答案向量的关注值来选取测试需求特征。此即为测试需求解析模型前向算法的计算过程。
还可以采用LSTM标准反向传播算法对测试需求解析模型进行训练。具体训练步骤如下：1、前向计算每个神经元的输出值；2、反向计算每个神经元的误差项值，LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；另一个是将误差项向上一层传播；3、根据相应的误差项，计算每个权重的梯度。
经训练后的测试需求解析模型，即为预设需求解析模型。将测试服务需求信息输入预设需求解析模型，预设需求解析模型对测试服务需求信息进行解析，并输出与测试服务需求信息匹配的测试需求特征。
可选的，所述测试需求特征包括软件系统、测试项目、缺陷特点、测试规模、人力需求、测试周期中的至少一种。
在一示例中，一测试服务需求信息表示为：
1、保险下单web系统(基于java语音)；
2、接口测试，保证每天版本构建质量；
3、UI测试，主要用在回归测试和验收测试；
4、缺陷统一跟踪处理；
5、测试功能点数：100个功能点，79个接口；
6、项目组成员：目前1个自动化功能测试人员，需要补充4个动化功能测试人员；
7、周期：长期。
通过预设需求解析模型处理上述测试服务需求信息后，可生成以下需求特征：
1、web系统；
2、接口测试；
3、UI测试；
4、缺陷(测管)；
5、规模(中)；
6、人力资源(缺)；
7、周期(长)。
在上述示例中，web系统属于软件系统；接口测试和UI测试属于测试项目；缺陷(测管)属于缺陷特点；规模(中)属于测试规模；人力资源(缺)属于人力需求；周期(长)属于测试周期。
S30、通过DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合。
可理解地，DRN模型(Deep Reinforcement Learning Framework for NewsRecommendation)是一种基于强化学习的推荐模型。在此处，DRN模型接入知识图谱，可以实现测试服务的精准推荐，高效解决客户选择困难的问题。
DRN模型优良的推荐能力主要体现在两个方面：1、DQN(Deep Quality-Network深度质量网络)的引入；2、DRN在线学习循环过程的动态性和实时性。DQN通过对推荐行为进行质量评估，得到推荐行为的效用得分，以此进行推荐决策。DRN在线学习循环过程通过客户的动态反馈信息，使模型进行自动更新。
DRN模型可以适用于实时性的推荐场景，在该场景中的数据有强时效性、动态变化性的特点。它将用户和推荐对象的特征数据输入DQN来预测用户命中的概率，加入了深度强化学习机制，让模型时刻同步最新数据，将最新的反馈信息实时地融入模型中。
DRN模型可通过Q(s，a)计算推荐行为的效用得分。其中，s表示状态state，包括context features和user features；a表示动作action，包括user-news features和newsfeatures。user features代入测试服务消费信息中的用户画像信息，context features代入测试需求特征，user-news features代入测试服务消费信息中的用户历史选购信息，news features代入测试服务知识谱图。
一方面，在一个特定状态采用某个推荐行为的效用得分(reward)和所有特征均有关。另一方面，reward受user features的影响要大于只使用state中的context features。基于此，决斗网络(DuelingNetwork)将Q函数分解成V(s)和A(s,a)，其中V(s)只受state特征影响，而A(s,a)则会受到state特征和action特征影响。
通过DRN模型的处理，可以生成测试服务推荐组合。测试服务推荐组合包括了若干测试服务推荐信息。
步骤S10-S30中，获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息，以获得与测试服务推荐相关的数据。通过预设需求解析模型处理所述测试服务需求信息，生成测试需求特征，以精准提取出客户的测试需求特征。通过DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合，以高效获得推荐结果。本实施例提供的测试服务推荐方法，可以降低测试服务订购的难度，提高测试服务选择的准确度，降低了测试服务选择的成本，提高测试服务线上化、智能化程度。
可选的，所述测试服务推荐组合包括测试调度信息和若干测试服务信息；
所述测试调度信息包括调度时间、系统调度信息和测管服务调度信息；
所述测试服务信息包括测试服务类型、测试时间和测试工位数量。
可理解地，测试服务推荐组合包括了若干测试服务推荐信息。这些测试服务推荐信息可以是测试调度信息或测试服务信息。
在一示例中，测试服务推荐组合可表示为：
1.UI自动化服务1000个小时，2个工位(seats)；
2.接口自动化服务500个小时，3个工位；
3.自动化缺陷管理服务1000个小时，10个工位；
4.测试管理服务调度1000个小时，系统自动调度1个服务。
5.打通所有其他服务与测管服务调度。
其中，调度时间包括：测试管理服务调度1000个小时；系统调度信息包括：系统自动调度1个服务；测管服务调度信息包括：打通所有其他服务与测管服务调度；
测试服务类型包括三种，分别为UI自动化服务、接口自动化服务和自动化缺陷管理服务。每种测试服务类型都有对应的测试时间和测试工位数量。
可选的，步骤S30之后，即所述通过DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合之后，还包括：
S40、获取所述测试服务推荐组合的反馈信息；
S50、根据所述反馈信息对所述DRN模型进行修正，以改变所述DRN模型输出的推荐结果。
可理解地，反馈信息主要包括两部分内容，一种是用户实际使用测试服务与DRN模型推荐结果的差距。例如，推荐1000小时的服务，实际使用600小时，差的400小时就是反馈信息。另一种是用户入库模型与DRN模型的差距，包括使用频次记录。
可以使用反馈信息对DRN模型进行修正。反馈信息可以作为DRN模型的评分值加入计算，以改变DRN模型输出的推荐结果(即测试服务推荐组合)，提高推荐结果的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种测试服务推荐装置，该测试服务推荐装置与上述实施例中测试服务推荐方法一一对应。如图4所示，该测试服务推荐装置包括获取数据模块10、特征提取模块20和推荐模块30。各功能模块详细说明如下：
获取数据模块10，用于获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息；
特征提取模块20，用于通过预设需求解析模型处理所述测试服务需求信息，生成测试需求特征；
推荐模块30，用于通过DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合。
可选的，所述测试服务消费信息包括用户画像信息和用户历史选购信息；
所述用户画像信息包括行业、规模、服务偏好、架构优先度、客户优质度、使用习惯中的一种或多种。
可选的，所述预设需求解析模型基于双向LSTM网络构建而成。
可选的，所述测试需求特征包括软件系统、测试项目、缺陷特点、测试规模、人力需求、测试周期中的至少一种。
可选的，所述测试服务推荐组合包括测试调度信息和若干测试服务信息；
所述测试调度信息包括调度时间、系统调度信息和测管服务调度信息；
所述测试服务信息包括测试服务类型、测试时间和测试工位数量。
可选的，测试服务推荐装置还包括：
获取反馈信息模块，用于获取所述测试服务推荐组合的反馈信息；
修正模型模块，用于根据所述反馈信息对所述DRN模型进行修正，以改变所述DRN模型输出的推荐结果。
关于测试服务推荐装置的具体限定可以参见上文中对于测试服务推荐方法的限定，在此不再赘述。上述测试服务推荐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5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可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储测试服务推荐方法所涉及的数据。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。该计算机可读指令被处理器执行时以实现一种测试服务推荐方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现以下步骤：
获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息；
通过预设需求解析模型处理所述测试服务需求信息，生成测试需求特征；
通过DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合。
在一个实施例中，提供了一个或多个存储有计算机可读指令的计算机可读存储介质，本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时实现以下步骤：
获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息；
通过预设需求解析模型处理所述测试服务需求信息，生成测试需求特征；
通过DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合。
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，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种测试服务推荐方法，其特征在于，包括：
获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息；
通过预设需求解析模型处理所述测试服务需求信息，生成测试需求特征；
通过深度强化学习推荐DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合；
其中，所述深度强化学习推荐DRN模型通过Q(s，a)计算推荐行为的效用得分；s表示状态state，包括context features和user features；a表示动作action，包括user-newsfeatures和news features；user features代入测试服务消费信息中的用户画像信息，context features代入测试需求特征，user-news features代入测试服务消费信息中的用户历史选购信息，news features代入测试服务知识谱图。
2.如权利要求1所述的测试服务推荐方法，其特征在于，所述获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息之前，还包括：
获取与指定类型关联的若干测试服务相关数据；
根据各个所述测试服务相关数据之间的关联关系构建所述测试服务知识图谱。
3.如权利要求1所述的测试服务推荐方法，其特征在于，所述测试服务消费信息包括用户画像信息和用户历史选购信息；
所述用户画像信息包括行业、规模、服务偏好、架构优先度、客户优质度、使用习惯中的一种或多种。
4.如权利要求1所述的测试服务推荐方法，其特征在于，所述预设需求解析模型基于双向LSTM网络构建而成。
5.如权利要求1所述的测试服务推荐方法，其特征在于，所述测试需求特征包括软件系统、测试项目、缺陷特点、测试规模、人力需求、测试周期中的至少一种。
6.如权利要求1所述的测试服务推荐方法，其特征在于，所述测试服务推荐组合包括测试调度信息和若干测试服务信息；
所述测试调度信息包括调度时间、系统调度信息和测管服务调度信息；
所述测试服务信息包括测试服务类型、测试时间和测试工位数量。
7.如权利要求1所述的测试服务推荐方法，其特征在于，所述通过DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合之后，还包括：
获取所述测试服务推荐组合的反馈信息；
根据所述反馈信息对所述DRN模型进行修正，以改变所述DRN模型输出的推荐结果。
8.一种测试服务推荐装置，其特征在于，包括：
获取数据模块，用于获取测试服务知识图谱、客户的测试服务需求信息和测试服务消费信息；
特征提取模块，用于通过预设需求解析模型处理所述测试服务需求信息，生成测试需求特征；
推荐模块，用于通过深度强化学习推荐DRN模型处理所述测试需求特征、测试服务知识图谱和所述测试服务消费信息，生成测试服务推荐组合；
其中，所述深度强化学习推荐DRN模型通过Q(s，a)计算推荐行为的效用得分；s表示状态state，包括context features和user features；a表示动作action，包括user-newsfeatures和news features；user features代入测试服务消费信息中的用户画像信息，context features代入测试需求特征，user-news features代入测试服务消费信息中的用户历史选购信息，news features代入测试服务知识谱图。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述测试服务推荐方法。
10.一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至7中任一项所述测试服务推荐方法。
CN202110360360.2A 2021-04-02 2021-04-02 测试服务推荐方法、装置、计算机设备及存储介质 Active CN112925723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110360360.2A CN112925723B (zh) 2021-04-02 2021-04-02 测试服务推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110360360.2A CN112925723B (zh) 2021-04-02 2021-04-02 测试服务推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112925723A CN112925723A (zh) 2021-06-08
CN112925723B true CN112925723B (zh) 2022-03-15

Family

ID=76173911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110360360.2A Active CN112925723B (zh) 2021-04-02 2021-04-02 测试服务推荐方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112925723B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113900954B (zh) * 2021-10-28 2022-06-10 航天中认软件测评科技（北京）有限责任公司 一种使用知识图谱的测试用例推荐方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110430471A (zh) * 2019-07-24 2019-11-08 山东海看新媒体研究院有限公司 一种基于瞬时计算的电视推荐方法和系统
KR20200052448A (ko) * 2018-10-30 2020-05-15 삼성전자주식회사 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템 및 방법
CN111680147A (zh) * 2020-07-07 2020-09-18 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备以及可读存储介质
CN111931801A (zh) * 2020-05-28 2020-11-13 浙江大学 一种基于路径多样性与一致性的动态路由网络学习方法
CN111966835A (zh) * 2020-08-26 2020-11-20 中国银行股份有限公司 基于知识图谱的场景所需功能服务的解析装置及方法
CN112163165A (zh) * 2020-10-21 2021-01-01 腾讯科技（深圳）有限公司 信息推荐方法、装置、设备及计算机可读存储介质
CN112307214A (zh) * 2019-07-26 2021-02-02 株式会社理光 一种基于深度强化学习的推荐方法及推荐装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11086911B2 (en) * 2018-07-31 2021-08-10 Wipro Limited Method and system for generating question variations to user input
CN110321291A (zh) * 2019-07-12 2019-10-11 中国工商银行股份有限公司 测试案例智能提取系统及方法
CN110400185A (zh) * 2019-07-31 2019-11-01 中国工商银行股份有限公司 产品推荐方法及系统
CN110647687B (zh) * 2019-09-26 2022-02-08 支付宝(杭州)信息技术有限公司 服务推荐方法和装置
CN111258909B (zh) * 2020-02-07 2024-03-15 中国信息安全测评中心 一种测试样本生成方法及装置
CN111930623B (zh) * 2020-08-10 2023-07-25 中国工商银行股份有限公司 一种测试案例构建方法、装置及电子设备
CN111782826A (zh) * 2020-08-27 2020-10-16 清华大学 知识图谱的信息处理方法、装置、设备及存储介质
CN111984873B (zh) * 2020-09-21 2023-04-25 北京信息科技大学 一种服务推荐系统和方法
CN112417304B (zh) * 2020-12-10 2023-06-23 北方工业大学 一种用于构建数据分析流程的数据分析服务推荐方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200052448A (ko) * 2018-10-30 2020-05-15 삼성전자주식회사 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템 및 방법
CN110430471A (zh) * 2019-07-24 2019-11-08 山东海看新媒体研究院有限公司 一种基于瞬时计算的电视推荐方法和系统
CN112307214A (zh) * 2019-07-26 2021-02-02 株式会社理光 一种基于深度强化学习的推荐方法及推荐装置
CN111931801A (zh) * 2020-05-28 2020-11-13 浙江大学 一种基于路径多样性与一致性的动态路由网络学习方法
CN111680147A (zh) * 2020-07-07 2020-09-18 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备以及可读存储介质
CN111966835A (zh) * 2020-08-26 2020-11-20 中国银行股份有限公司 基于知识图谱的场景所需功能服务的解析装置及方法
CN112163165A (zh) * 2020-10-21 2021-01-01 腾讯科技（深圳）有限公司 信息推荐方法、装置、设备及计算机可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Knowledge-guided Deep Reinforcement Learning for Interactive Recommendation;Xiaocong Chen等;《2020 International Joint Conference on Neural Networks (IJCNN)》;20200928;1-8 *
基于深度学习的新闻推荐算法研究综述;田萱等;《计算机科学与探索》;20210203;971-998 *
基于混合增强智能的知识图谱推理技术研究;杨瑞达等;《计算机应用与软件》;20190612;149-154 *

Also Published As

Publication number Publication date
CN112925723A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN109902708B (zh) 一种推荐模型训练方法及相关装置
US11551239B2 (en) Characterizing and modifying user experience of computing environments based on behavior logs
US20210103858A1 (en) Method and system for model auto-selection using an ensemble of machine learning models
CN109816483B (zh) 信息推荐方法及装置、可读存储介质
KR102410777B1 (ko) 상품 추천 방식 개선 방법 및 장치
US11694124B2 (en) Artificial intelligence (AI) based predictions and recommendations for equipment
CN110322169B (zh) 一种任务发布的方法及装置
Landa-Torres et al. Evaluating the internationalization success of companies through a hybrid grouping harmony search—extreme learning machine approach
Hernes et al. Application of the consensus method in a multiagent financial decision support system
US11501107B2 (en) Key-value memory network for predicting time-series metrics of target entities
CN111178537B (zh) 一种特征提取模型训练方法及设备
CN112633962A (zh) 业务推荐方法、装置、计算机设备和存储介质
CN115423578B (zh) 基于微服务容器化云平台的招投标方法和系统
CN112258268A (zh) 确定推荐模型和确定物品价格的方法、装置、设备和介质
CN112925723B (zh) 测试服务推荐方法、装置、计算机设备及存储介质
CN114201626B (zh) 多媒体推荐方法、装置、电子设备及存储介质
CN112150184A (zh) 点击率预估方法及其系统、计算机系统及计算机可读介质
CN114692859A (zh) 数据处理方法及装置、计算设备及试验精简设备
CN110209944B (zh) 一种股票分析师推荐方法、装置、计算机设备和存储介质
CN114139046B (zh) 对象推荐方法、装置、电子设备及存储介质
CN113313562B (zh) 产品数据处理方法、装置、计算机设备和存储介质
Ran et al. Cloud service selection based on QoS-aware logistics
US20230195607A1 (en) System For Automatic Identification and Selection of Optimization Metrics and Accompanying Models in Experiimentation Platforms
CN115827841A (zh) 搜索方法及装置
CN112862570A (zh) 商显产业链交易推荐方法、装置、设备、存储介质及系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Recommended methods, devices, computer equipment and storage media for test service

Effective date of registration: 20230106

Granted publication date: 20220315

Pledgee: Shanghai Pudong Development Bank Co.,Ltd. Xuhui sub branch

Pledgor: Shanghai Fu Shen Lan Software Co.,Ltd.

Registration number: Y2023980030451

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20231023

Granted publication date: 20220315

Pledgee: Shanghai Pudong Development Bank Co.,Ltd. Xuhui sub branch

Pledgor: Shanghai Fu Shen Lan Software Co.,Ltd.

Registration number: Y2023980030451

PC01 Cancellation of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Recommended methods, devices, computer equipment, and storage media for testing services

Effective date of registration: 20231026

Granted publication date: 20220315

Pledgee: Shanghai Pudong Development Bank Co.,Ltd. Xuhui sub branch

Pledgor: Shanghai Fu Shen Lan Software Co.,Ltd.

Registration number: Y2023310000682

PE01 Entry into force of the registration of the contract for pledge of patent right