CN113342683B - 一种测试案例处理方法、装置、平台及存储介质 - Google Patents
一种测试案例处理方法、装置、平台及存储介质 Download PDFInfo
- Publication number
- CN113342683B CN113342683B CN202110729999.3A CN202110729999A CN113342683B CN 113342683 B CN113342683 B CN 113342683B CN 202110729999 A CN202110729999 A CN 202110729999A CN 113342683 B CN113342683 B CN 113342683B
- Authority
- CN
- China
- Prior art keywords
- matrix
- test
- historical
- feature
- system version
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 599
- 238000003672 processing method Methods 0.000 title abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 735
- 230000009467 reduction Effects 0.000 claims abstract description 97
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 32
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000013515 script Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101100311460 Schizosaccharomyces pombe (strain 972 / ATCC 24843) sum2 gene Proteins 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005291 magnetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F11/368—Test management for test version control, e.g. updating test cases to a new software version
-
- 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
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)
- Debugging And Monitoring (AREA)
Abstract
本申请提供一种测试案例处理方法、装置、平台及存储介质:获取所有前端测试案例及所有前端历史案例;计算每一前端测试案例中的特征对应的特征值,得到待测系统版本集合的测试特征矩阵,计算每一前端历史案例中的特征对应的特征值,得到每一历史系统版本集合的历史特征矩阵;基于非负矩阵分解算法,分别对测试特征矩阵和历史特征矩阵进行降维处理,得到降维后的测试特征矩阵和降维后的历史特征矩阵;计算降维后的测试特征矩阵中第n个前端测试案例的降维后的特征与降维后的历史特征矩阵中每一前端历史案例的降维后的特征的相似度得到相似度矩阵;基于相似度矩阵确定所有前端测试案例满足自动化测试条件,对所有前端测试案例进行自动化测试。
Description
技术领域
本申请实施例涉及金融科技(Fintech)的数据处理技术领域,涉及但不限于一种测试案例处理方法、测试案例处理装置、测试平台及存储介质。
背景技术
随着计算机计算的发展,越来越多的技术应用在金融领域,传统金融业正在逐步向金融科技(Fintech)转变,然而,由于金融行业的安全性、实时性要求,金融科技也对技术提出了更高的要求。
金融科技领域下,金融系统中的测试案例包括前端测试案例和后端测试案例,目前针对金融系统中的测试案例的分类通过测试人员进行人工打标的方式实现,且对金融系统中待测系统版本是否进行自动化测试,依赖于测试人员的经验,主观判断待测系统版本中需求变动的频率以及测试案例的稳定性。可见,上述方法必须依赖于人工操作,至少存在效率低、准确性差的问题。
发明内容
本申请实施例提供一种测试案例处理方法、测试案例处理装置、测试平台及存储介质,以解决相关技术必须依赖于人工操作,至少存在效率低、准确性差的问题。
本申请实施例的技术方案是这样实现的:
本申请实施例提供一种方法,包括:
获取待测系统版本集合中的所有前端测试案例,以及至少两个历史系统版本集合中每一历史系统版本集合中的所有前端历史案例;
计算所述所有前端测试案例中每一前端测试案例中的特征对应的特征值,得到所述待测系统版本集合的测试特征矩阵;
计算所述每一历史系统版本集合中所述所有前端历史案例中每一前端历史案例中的特征对应的特征值,得到所述每一历史系统版本集合的历史特征矩阵;
基于非负矩阵分解算法,对所述测试特征矩阵进行降维处理,得到降维后的测试特征矩阵;
基于所述非负矩阵分解算法,对所述历史特征矩阵进行降维处理,得到降维后的历史特征矩阵;
计算所述降维后的测试特征矩阵中第n个前端测试案例的降维后的特征与所述降维后的历史特征矩阵中每一前端历史案例的降维后的特征的相似度,得到相似度矩阵;其中,所述n为大于等于1且小于等于N的正整数,N为所述待测系统版本集合中的前端测试案例的总数;
基于所述相似度矩阵,确定所述所有前端测试案例满足自动化测试条件时,对所述待测系统版本集合中的所有前端测试案例进行自动化测试。
本申请实施例提供一种装置,包括:
获取模块,用于获取待测系统版本集合中的所有前端测试案例,以及至少两个历史系统版本集合中每一历史系统版本集合中的所有前端历史案例;
处理模块,用于计算所述所有前端测试案例中每一前端测试案例中的特征对应的特征值,得到所述待测系统版本集合的测试特征矩阵;
所述处理模块,还用于计算所述每一历史系统版本集合中所述所有前端历史案例中每一前端历史案例中的特征对应的特征值,得到所述每一历史系统版本集合的历史特征矩阵;
所述处理模块,还用于基于非负矩阵分解算法,对所述测试特征矩阵进行降维处理,得到降维后的测试特征矩阵;
所述处理模块,还用于基于所述非负矩阵分解算法,对所述历史特征矩阵进行降维处理,得到降维后的历史特征矩阵;
所述处理模块,还用于计算所述降维后的测试特征矩阵中第n个前端测试案例的降维后的特征与所述降维后的历史特征矩阵中每一前端历史案例的降维后的特征的相似度,得到相似度矩阵;其中,所述n为大于等于1且小于等于N的正整数,N为所述待测系统版本集合中的前端测试案例的总数;
所述处理模块,还用于基于所述相似度矩阵,确定所述所有前端测试案例满足自动化测试条件时,对所述待测系统版本集合中的所有前端测试案例进行自动化测试。
本申请实施例提供一种测试平台,包括:
存储器,用于存储可执行指令;处理器,用于执行存储器中存储的可执行指令时,实现上述的方法。
本申请实施例提供一种存储介质,存储有可执行指令,用于引起处理器执行时,实现上述的方法。
本申请实施例具有以下有益效果:
本申请测试平台在获取到待测系统版本集合中的所有前端测试案例和所有前端历史案例后,首先,计算每一前端测试案例中的特征对应的特征值,得到待测系统版本集合的测试特征矩阵,计算每一前端历史案例中的特征对应的特征值,得到每一历史系统版本集合的历史特征矩阵;其次,通过非负矩阵算法,对测试特征矩阵和历史特征矩阵分别进行降维处理,并对降维后的测试特征矩阵和降维后的历史特征矩阵进行相似度处理,以得到相似度矩阵,进而根据相似度矩阵,确定所有前端测试案例满足自动化测试条件时,对所有前端测试案例进行自动化测试。如此,本申请解决了相关技术必须依赖于人工操作以及人工主观带来的不确定性,且至少存在效率低、准确性差的问题;实现了对前端测试案例的自动化执行建立了统一的标准,提高了判断的准确性,同时,无需依赖人工操作,提高了处理效率。
附图说明
图1是本申请实施例提供的测试平台的一个可选的架构示意图;
图2是本申请实施例提供的测试案例处理方法的一个可选的流程示意图;
图3是本申请实施例提供的测试案例处理方法的一个可选的流程示意图;
图4是本申请实施例提供的前端案例对分类器进行训练的一个可选的流程框图;
图5是本申请实施例提供的测试案例处理方法的一个可选的流程示意图;
图6是本申请实施例提供的测试案例处理方法的一个可选的流程示意图;
图7是本申请实施例提供的测试案例处理方法的一个可选的流程示意图;
图8是本申请实施例提供的测试案例处理方法的一个可选的流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。除非另有定义,本申请实施例所使用的所有的技术和科学术语与属于本申请实施例的技术领域的技术人员通常理解的含义相同。本申请实施例所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
下面说明本申请实施例提供的示例性应用,本申请实施例提供的可以实施为服务器。下面,将说明实施为时的示例性应用。
参见图1,图1是本申请实施例提供的测试平台100的结构示意图,图1所示的测试平台100包括:至少一个处理器110、至少一个网络接口120、用户接口130和存储器150。测试平台100中的各个组件通过总线系统140耦合在一起。可理解,总线系统140用于实现这些组件之间的连接通信。总线系统140除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图1中将各种总线都标为总线系统140。
处理器110可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),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,其中,通用处理器可以是微处理器或者任何常规的处理器等。
用户接口130包括使得能够呈现媒体内容的一个或多个输出装置131,包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口130还包括一个或多个输入装置132,包括有助于用户输入的用户接口部件,比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
存储器150可以是可移除的,不可移除的或其组合。示例性地硬件设备包括固态存储器,硬盘驱动器,光盘驱动器等。存储器150可选地包括在物理位置上远离处理器110的一个或多个存储设备。存储器150包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(Read Only Memory,ROM),易失性存储器可以是随机存取存储器(Random Access Memory,RAM)。本申请实施例描述的存储器150旨在包括任意适合类型的存储器。在一些实施例中,存储器150能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作系统151,包括用于处理各种基本系统服务和执行硬件相关任务的系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务;
网络通信模块152,用于经由一个或多个(有线或无线)网络接口120到达其他计算设备,示例性地网络接口120包括:蓝牙、无线相容性认证(WiFi)、和通用串行总线(Universal Serial Bus,USB)等;
输入处理模块153,用于对一个或多个来自一个或多个输入装置132之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
在一些实施例中,本申请实施例提供的装置可以采用软件方式实现,图1示出了存储在存储器150中的一种测试案例处理装置154,该测试案例处理装置154可以是测试平台100中的测试案例处理装置,其可以是程序和插件等形式的软件,包括以下软件模块:获取模块1541、处理模块1542,这些模块是逻辑上的,因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在另一些实施例中,本申请实施例提供的装置可以采用硬件方式实现,作为示例,本申请实施例提供的装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本申请实施例提供的测试案例处理方法,例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(Application Specific Integrated Circuit,ASIC)、DSP、可编程逻辑器件(Programmable Logic Device,PLD)、复杂可编程逻辑器件(ComplexProgrammable Logic Device,CPLD)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或其他电子元件。
在对本申请实施例提供的测试案例处理方法进行说明之前,对本申请实施的应用背景以及相关技术进行简要介绍。
随着互联行业和物联网的兴起,测试平台中的应用层软件如测试平台的应用系统、测试平台的应用程序(Application,APP)等的软件开发并不是一次性发布的,都是通过迭代的方式进行持续增量开发和增量发布。新版本系统的应用层软件即待测系统中应用层软件,是通过修改历史版本系统中的某一模块、和/或者新增某一模块后得到的,这就使得待测系统的web前端往往变化比较大,而复用的历史版本系统中的部分模块的逻辑并没有发生变更,即后端实现没有发生变更。这里,目前针对待测系统中的前端和后端的分类主要通过测试人员进行人工打标的方式实现,而对于待测系统的web前端的功能验证必须通过自动化脚本来进行测试,相关技术中针对待测系统的web前端的功能验证是否进行自动化测试,主要依赖于测试人员的经验,主观判断待测系统版本中需求变动的频率以及测试案例的稳定性。可见,上述方法中至少存在效率低、准确性差的问题。
下面将结合本申请实施例提供的测试平台100的示例性应用和实施,说明本申请实施例提供的测试案例处理方法。参见图2,图2是本申请实施例提供的测试案例处理方法的一个可选的流程示意图,将结合图2示出的步骤进行说明,
步骤201、获取待测系统版本集合中的所有前端测试案例,以及至少两个历史系统版本集合中每一历史系统版本集合中的所有前端历史案例。
本申请实施例中,待测系统为在发布之前,对系统中所包含的案例进行测试的系统,历史系统为已经成功发布的系统。待测系统版本可以理解为与当前版本号对应的系统,历史系统版本可以理解为与不同历史时期的版本号对应的系统,历史系统版本可以有多个。在一种可实现的场景中,开发人员通过迭代的方式对历史系统进行持续增量开发,以得到待测系统。示例性的,开发人员通过修改历史系统中某一功能模块、和/或者新增某一功能模块后,得到待测系统。
本申请实施例中,前端测试案例为待测系统的web前端中包括的所有测试案例,且待测系统的web前端中包括的所有测试案例组成待测系统版本集合;前端历史案例为每一历史系统的web前端中包括的所有历史案例,且每一历史系统的web前端中包括的所有历史案例组成每一历史系统版本集合。这里,案例可以理解为系统前端页面的功能模块,示例性的,案例可以为系统前端页面的注册模块,案例还可以为系统前端页面的登录模块。这里,待测系统版本集合中的前端测试案例的总数与至少两个历史系统版本集合中每一历史系统版本集合中的前端历史案例的总数可以相同,也可以不同。在本申请实施例中,以待测系统版本集合中的前端测试案例的总数与至少两个历史系统版本集合中每一历史系统版本集合中的前端历史案例的总数相同为例进行说明。
本申请实施例中,测试平台获取的待测系统版本集合中的所有前端测试案例,进一步地,测试平台还获取待测系统对应的至少两个历史系统版本集合中,每一历史系统版本集合中的所有前端历史案例。
步骤202、计算所有前端测试案例中每一前端测试案例中的特征对应的特征值,得到待测系统版本集合的测试特征矩阵。
本申请实施例中,所有前端测试案例中每一前端测试案例中的特征对应的特征值用于表征该特征在该前端测试案例中的重要程度。
本申请实施例中,测试平台可以基于词频-逆向文件频率算法,计算所有前端测试案例中每一前端测试案例中的特征对应的特征值,得到待测系统版本集合的测试特征矩阵。
这里,词频-逆向文件频率(term frequency–inverse document frequency,TF-IDF)算法为一种针对词语的统计分析方法,用于评估一个词语对一个文档集或者一个语料库的重要程度。一个词的重要程度跟它在文章中出现的次数成正比,跟它在语料库出现的次数成反比。TF=(某词在文档中出现的次数/文档的总词量),IDF=log(语料库中文档总数/包含该词的文档数+1),TF-IDF的结果为TF×IDF。
本申请实施例中,测试平台基于TF-IDF算法,计算所有前端测试案例N中第n个案例中的第m个特征对应的特征值为xnm,进而由所有前端测试案例中的所有特征对应的特征值,生成待测系统版本集合的测试特征矩阵。这里,测试特征矩阵其中,待测系统版本集合的测试特征矩阵X的矩阵大小为N×M,n为大于等于1且小于等于N的正整数,N为待测系统版本集合中的前端测试案例的总数;m为大于等于1且小于等于N的正整数,M为每一前端测试案例的特征数。
步骤203、计算每一历史系统版本集合中所有前端历史案例中每一前端历史案例中的特征对应的特征值,得到每一历史系统版本集合的历史特征矩阵。
本申请实施例中,每一历史系统版本集合中所有前端历史案例中每一前端历史案例中的特征对应的特征值用于表征该特征在前端历史案例中的重要程度。这里,所有前端测试案例中每一前端测试案例中的特征的总数与每一历史系统版本集合中所有前端历史案例中每一前端历史案例中的特征的总数可以相同,也可以不同。在本申请实施例中,以所有前端测试案例中每一前端测试案例中的特征的总数与每一历史系统版本集合中所有前端历史案例中每一前端历史案例中特征的总数相同为例进行说明。
本申请实施例中,测试平台基于TF-IDF算法,计算至少两个历史系统版本集合中第k个历史系统版本集合中,所有前端历史案例N中第n个前端历史案例中的第m个特征对应的特征值进而由第k个历史系统版本集合中,所有前端历史案例中的所有特征对应的特征值,生成第k个历史系统版本集合的历史特征矩阵。这里,历史特征矩阵/> 其中,第k个历史系统版本集合对应的历史特征矩阵Pk的矩阵大小为M×N,n为大于等于1且小于等于N的正整数,N为每一历史系统版本集合中的前端历史案例的总数;m为大于等于1且小于等于N的正整数,M为每一前端历史案例的特征数;k为大于等于1且小于等于K的正整数,K为所有历史系统版本集合的总数。
需要说明的是,步骤202和步骤203可以同时执行,步骤202和步骤203也可以分先后顺序执行,本申请不做具体限定。
步骤204、基于非负矩阵分解算法,对测试特征矩阵进行降维处理,得到降维后的测试特征矩阵。
本申请实施例中,测试平台在基于词频-逆向文件频率算法,计算所有前端测试案例中每一前端测试案例中的特征对应的特征值,得到待测系统版本集合的测试特征矩阵的情况下,为了高效处理通过测试特征矩阵存放的数据,测试平台通过非负矩阵分解算法对测试特征矩阵进行降维处理,得到降维后的测试特征矩阵。如此,在确保降维后的测试特征矩阵中的每一元素为非负值的情况下,利用降维后的测试特征矩阵替代原有的测试特征矩阵,此时,再对降维后的测试特征矩阵进行处理,不仅减少了存储空间,还减少了计算机资源的计算量。
这里,非负矩阵分解(Non-negative matrix factorization,NMF)算法为在矩阵中所有元素均为非负数约束条件下的矩阵分解方法,即对于给定一个非负矩阵A,NMF算法能够寻找到一个维度更小的非负矩阵U和非负矩阵V,即A≈U×V从而得到降维后的非负矩阵U。需要说明的是,在数学上,从计算的观点看,分解结果中存在负值是正确的,但负值元素在实际问题中往往是没有意义的。例如本申请实施例中,每一案例中的特征对应的特征值不可能有负值的特征,因此,利用NMF算法能够使得测试平台根据实际问题进行处理。
步骤205、基于非负矩阵分解算法,对历史特征矩阵进行降维处理,得到降维后的历史特征矩阵。
本申请实施例中,测试平台在基于词频-逆向文件频率算法,计算每一历史系统版本集合中所有前端历史案例中每一前端历史案例中的特征对应的特征值,得到每一历史系统版本集合的历史特征矩阵的情况下,为了高效处理通过历史特征矩阵存放的数据,测试平台通过非负矩阵分解算法对历史特征矩阵进行降维处理,得到降维后的历史特征矩阵。如此,在确保降维后的历史特征矩阵中的每一元素为非负值的情况下,利用降维后的历史特征矩阵替代原有的历史特征矩阵,此时,再对降维后的历史特征矩阵进行处理,不仅减少了存储空间,还减少了计算机资源的计算量。
需要说明的是,步骤204和步骤205可以同时执行,步骤204和步骤205也可以分先后执行,本申请不做具体限定。
步骤206、计算降维后的测试特征矩阵中第n个前端测试案例的降维后的特征与降维后的历史特征矩阵中每一前端历史案例的降维后的特征的相似度,得到相似度矩阵。
其中,n为大于等于1且小于等于N的正整数,N为待测系统版本集合中的前端测试案例的总数。
本申请实施例中,测试平台在基于非负矩阵分解算法,对测试特征矩阵进行降维处理,得到降维后的测试特征矩阵,以及基于非负矩阵分解算法,对历史特征矩阵进行降维处理,得到降维后的历史特征矩阵的情况下,计算降维后的测试特征中第n个前端测试案例的降维后的特征与降维后的历史特征矩阵中每一前端历史案例的降维后的特征的相似度,得到相似度矩阵,以使测试平台基于相似度矩阵,判断待测系统版本集合中的所有前端测试案例是否满足自动化测试条件。
步骤207、基于相似度矩阵,确定所有前端测试案例满足自动化测试条件时,对待测系统版本集合中的所有前端测试案例进行自动化测试。
本申请实施例中,自动化测试条件为待测系统版本集合中的前端测试案例可以使用自动化脚本进行自动化测试的条件。
本申请实施例中,测试平台在计算降维后的测试特征矩阵中第n个前端测试案例的降维后的特征与降维后的历史特征矩阵中每一前端历史案例的降维后的特征的相似度,得到相似度矩阵的情况下,基于相似度矩阵,确定所有前端测试案例满足自动化测试条件时,对待测系统版本集合中的所有前端测试案例通过自动化脚本进行自动化测试。
本申请实施例提供的测试案例处理方法,测试平台在获取到待测系统版本集合中的所有前端测试案例和所有前端历史案例后,首先,计算每一前端测试案例中的特征对应的特征值,得到待测系统版本集合的测试特征矩阵,计算每一前端历史案例中的特征对应的特征值,得到每一历史系统版本集合的历史特征矩阵;其次,通过非负矩阵算法,对测试特征矩阵和历史特征矩阵分别进行降维处理,并对降维后的测试特征矩阵和降维后的历史特征矩阵进行相似度处理,以得到相似度矩阵,进而根据相似度矩阵,确定所有前端测试案例满足自动化测试条件时,对所有前端测试案例进行自动化测试。如此,本申请解决了相关技术必须依赖于人工操作以及人工主观带来的不确定性,且至少存在效率低、准确性差的问题;实现了对前端测试案例的自动化执行建立了统一的标准,提高了判断的准确性,同时,无需依赖人工操作,提高了处理效率。
参见图3,图3是本申请实施例提供的测试案例处理方法的一个可选的流程示意图,将结合图3示出的步骤进行说明,
步骤301、获取待测系统版本集合中的所有测试案例。
步骤302、将待测系统版本集合中的所有测试案例输入至训练好的分类器中,得到训练好的分类器输出的待测系统版本集合中的前端测试案例。
本申请实施例中,待测系统版本集合中的所有测试案例包括前端测试案例和后端测试案例。
这里,训练好的分类器用于将待测系统版本集合中的所有测试案例进行分类,以得到待测系统版本集合中所有测试案例中的前端测试案例。分类器是数据挖掘的一种的方法,分类器能够把数据库中的数据纪录映射到给定类别中的某一个,从而可以应用于数据预测。这里,分类器是数据挖掘中对样本进行分类的方法的统称,分类的方法包括决策树、逻辑回归、朴素贝叶斯、神经网络等算法,分类的方法还包括支持向量机(support vectormachines,SVM)算法。
在一种可实现的场景中,参见图4所示,测试平台获取至少两个历史系统版本集合中每一历史系统版本集合中的所有已标记的前端历史案例和后端历史案例作为训练样本集之后,测试平台采用TF-IDF方法,计算出至少两个历史系统版本集合中每一历史系统版本集合中的前端历史案例中每一特征对应的特征值,和后端历史案例中每一特征对应的特征值,从而得到训练样本特征矩阵。测试平台通过训练样本特征矩阵对分类器进行训练,以得到训练好的分类器。
在一种可实现的应用场景中,以SVM为例进行说明,测试平台采用SVM进行分类训练,SVM作为一种二分类的模型,其主要是寻找特征空间上间隔最大的分类器,结合核函数,可以对非线性特征进行分类,实际实现可转换为一个求解凸二次规划的问题。首先,构造凸二次规划问题:
约束条件为:结合序列最小优化算法(Sequential minimal optimization,SMO),得到拉格朗日参数/>最优解/>
再次,根据KKT条件及约束条件/>可得到拉格朗日参数最优解/>对应的/>取分类决策函数为:这里,b为确认每个样本对应的分类决策函数的参数,指数核函数/>这里,δ为特征之间的距离,l为核函数的超参数。指数核函数对应的SVM分类器是指数函数的二分类器,则分类决策函数最终为以此对样本集进行训练,得到最终分类器。
本申请实施例中,参见图4所示,测试平台获取到待测系统版本集合中的所有测试案例后,测试平台采用TF-IDF方法,计算出待测系统版本集合中的所有测试案例中每一特征对应的特征值,得到测试特征矩阵,将测试特征矩阵输入至训练好的分类器中,得到训练好的分类器输出的待测系统版本集合中的前端测试案例。
在一些实施例中,参见图4所示,测试平台将待测系统版本集合中的所有测试案例输入至训练好的分类器中,得到训练好的分类器输出的待测系统版本集合中的前端测试案例之后,将得到的前端测试案例经过jieba模型,遍历每个前端测试案例,并将遍历后的前端测试案例标记为“前端”。如此,通过机器学习和分类器,对前端测试案例自动地进行前后端分类,释放人力,节约了人力成本,且减少了人工打标带来的错分风险,同时,提高了处理效率。
在一些实施例中,参见图4所示,测试平台对待测系统版本集合中的前端测试案例和后端测试案例进行标记后,为了提升分类器的分类精确度,测试平台会将待测系统版本集合中标记后的前端测试案例和后端测试案例重新加入到训练样本集中,对分类器进行持续训练,以使分类器更加精确快速地分类出前端测试案例。
步骤303、获取至少两个历史系统版本集合中每一历史系统版本集合中的所有前端历史案例。
步骤304、计算所有前端测试案例中每一前端测试案例中的特征对应的特征值,得到待测系统版本集合的测试特征矩阵。
步骤305、计算每一历史系统版本集合中所有前端历史案例中每一前端历史案例中的特征对应的特征值,得到每一历史系统版本集合的历史特征矩阵。
步骤306、基于非负矩阵分解算法,对测试特征矩阵进行降维处理,得到降维后的测试特征矩阵。
在一些实施例中,步骤306基于非负矩阵分解算法,对测试特征矩阵进行降维处理,得到降维后的测试特征矩阵,可以通过图5所示的步骤401至步骤403;或步骤401至步骤402以及步骤404至步骤407;或步骤401至步骤402、步骤404至步骤406以及步骤408至步骤411实现:
步骤401、基于确定的测试特征矩阵降维后的特征数,通过非负矩阵分解算法,对测试特征矩阵进行分解,得到测试投影矩阵和测试基础矩阵。
本申请实施例中,测试平台基于降维后的特征数S的取值范围为选取正整数S,确定降维后的特征数S,并通过非负矩阵分解算法,对测试特征矩阵X进行分解,随机生成测试投影矩阵W1和测试基础矩阵B1。这里,测试投影矩阵,其中,测试投影矩阵W1的大小为N×S,测试基础矩阵B1的大小为S×M。
步骤402、获取测试投影矩阵和测试基础矩阵相乘得到的第一乘积矩阵。
步骤403、若测试特征矩阵减去第一乘积矩阵得到的第一差值矩阵符合差值阈值矩阵,确定第一差值矩阵对应的测试投影矩阵为降维后的测试特征矩阵。
本申请实施例中,差值阈值矩阵用于确定测试特征矩阵,与测试投影矩阵和测试基础矩阵相乘得到的第一乘积矩阵之间的差值的矩阵。示例性的,差值阈值矩阵中的每一元素的值可以为10-6。
本申请实施例中,测试平台基于确定的测试特征矩阵降维后的特征数S,通过非负矩阵分解算法,对测试特征矩阵X进行分解,得到测试投影矩阵W1和测试基础矩阵B1的情况下,获取测试投影矩阵W1和测试基础矩阵B1相乘得到的第一乘积矩阵Q1。若测试特征矩阵X减去第一乘积矩阵Q1得到的第一差值矩阵E1符合差值阈值矩阵E,由于测试平台需找到满足差值阈值矩阵E对应的测试投影矩阵为降维后的测试投影矩阵,此时,因为第一差值矩阵E1满足条件,则第一差值矩阵E1对应的测试投影矩阵W1为降维后的测试投影矩阵这里,降维后的测试投影矩阵/>其中,测试投影矩阵W1的大小为N×S。
步骤404、若测试特征矩阵减去第一乘积矩阵得到的第一差值矩阵不符合差值阈值矩阵,通过投影矩阵调整模型对测试投影矩阵中的每一元素进行调整,得到调整后的测试投影矩阵。
本申请实施例中,投影矩阵调整模型为:
其中,W′ns为调整后的测试投影矩阵中第n行第s列的元素,W为测试投影矩阵,Wns为测试投影矩阵中第n行第s列的元素,X为测试特征矩阵,B为测试基础矩阵,BT为测试基础矩阵的转置矩阵,(XBT)ns为测试特征矩阵X与测试基础矩阵的转置矩阵BT相乘后所得到的矩阵中第n行第s列的元素,(WBBT)ns为测试投影矩阵W、测试基础矩阵B和测试基础矩阵的转置矩阵BT相乘后所得到的矩阵中第n行第s列的元素。
本申请实施例中,测试平台确定测试特征矩阵X减去第一乘积矩阵Q1得到的第一差值矩阵E1不符合差值阈值矩阵E,通过投影矩阵调整模型对测试投影矩阵W1中的每一元素进行调整,得到调整后的测试投影矩阵W11。
步骤405、通过基础矩阵调整模型对测试基础矩阵中的每一元素进行调整,得到调整后的测试基础矩阵。
本申请实施例中,基础矩阵调整模型为:
其中,B′sm为调整后的测试基础矩阵中第s行第m列的元素,B为测试基础矩阵,Bsm为测试基础矩阵中第s行第m列的元素,X为测试特征矩阵,W为测试投影矩阵,WT为测试投影矩阵的转置矩阵,(WTX)sm为测试投影矩阵的转置矩阵WT与测试特征矩阵X相乘后所得到的矩阵中第s行第m列的元素,(WTWB)sm为测试投影矩阵的转置矩阵WT、测试投影矩阵W和测试基础矩阵B相乘后所得到的矩阵中第s行第m列的元素。
本申请实施例中,测试平台通过基础矩阵调整模型对基础投影矩阵B1中的每一元素进行调整,得到调整后的基础投影矩阵B11。
步骤406、获取调整后的测试投影矩阵和调整后的测试基础矩阵相乘得到的第二乘积矩阵。
步骤407、若测试特征矩阵减去第二乘积矩阵得到的第二差值矩阵符合差值阈值矩阵,确定第二差值矩阵对应的调整后的测试投影矩阵为降维后的测试特征矩阵。
本申请实施例中,测试平台获取调整后的测试投影矩阵W11和调整后的测试基础矩阵B11相乘得到的第二乘积矩阵Q2;若测试特征矩阵X减去第二乘积矩阵Q2得到的第二差值矩阵E2符合差值阈值矩阵E,由于测试平台需找到满足差值阈值矩阵E对应的测试投影矩阵为降维后的测试投影矩阵,此时,因为第二差值矩阵E2满足条件,则确定第二差值矩阵E2对应的调整后的测试投影矩阵W11为降维后的测试投影矩阵
步骤408、若测试特征矩阵减去第二乘积矩阵得到的第二差值矩阵不符合差值阈值矩阵,通过投影矩阵调整模型对调整后的测试投影矩阵中的每一元素进行调整,得到新调整后的测试投影矩阵。
步骤409、通过基础矩阵调整模型对调整后的测试基础矩阵中的每一元素进行调整,得到新调整后的测试基础矩阵。
步骤410、获取新调整后的测试投影矩阵和新调整后的测试基础矩阵相乘得到的第三乘积矩阵。
步骤411、若测试特征矩阵减去第三乘积矩阵得到的第三差值矩阵符合差值阈值矩阵,确定第三差值矩阵对应的新调整后的测试投影矩阵为降维后的测试特征矩阵。
本申请实施例中,首先,测试平台确定测试特征矩阵X减去第二乘积矩阵Q2得到的第二差值矩阵E2不符合差值阈值矩阵E,通过投影矩阵调整模型对调整后的测试投影矩阵W11中的每一元素进行调整,得到新调整后的测试投影矩阵W12;其次,测试平台通过基础矩阵调整模型对调整后的测试基础矩阵B11中的每一元素进行调整,得到新调整后的测试基础矩阵B12;然后,测试平台获取新调整后的测试投影矩阵W12和新调整后的测试基础矩阵B12相乘得到的第三乘积矩阵Q3;最后,测试平台确定测试特征矩阵X减去第三乘积矩阵Q3得到的第三差值矩阵E3符合差值阈值矩阵E,确定第三差值矩阵E3对应的新调整后的测试投影矩阵W12为降维后的测试特征矩阵需要说明的是,本申请实施例对于降维后的测试特征矩阵/>的确定,可以是测试平台对测试投影矩阵经过一次调整后得到满足条件的降维后的测试特征矩阵,也可以是测试平台对测试投影矩阵经过多次调整后,得到满足条件的降维后的测试特征矩阵。也就是说,本申请对于调整的循环次数不作具体的限定,以得到满足条件的降维后的测试特征矩阵为准。这里,由于测试平台需找到满足差值阈值矩阵E对应的测试投影矩阵为降维后的测试投影矩阵,此时,因为第三差值矩阵E3满足条件,则确定第三差值矩阵E3对应的新调整后的测试投影矩阵W12为降维后的测试特征矩阵/>本申请实施例中,测试平台利用降维后的测试特征矩阵替代原有的测试特征矩阵,不仅减少了存储空间,还减少了计算机资源的计算量以及计算复杂度,且特征表征力提高,同时是否对所有前端测试案例进行自动化测试,提供了准确的数据作为计算依据。
步骤307、基于非负矩阵分解算法,对历史特征矩阵进行降维处理,得到降维后的历史特征矩阵。
在一些实施例中,步骤307基于非负矩阵分解算法,对历史特征矩阵进行降维处理,得到降维后的历史特征矩阵,可以通过图6所示的步骤501至步骤503;或步骤501至步骤502以及步骤504至步骤507;或步骤501至步骤502、步骤504至步骤506以及步骤508至步骤511实现:
步骤501、基于确定的历史特征矩阵降维后的特征数,通过非负矩阵分解算法,对历史特征矩阵进行分解,得到历史投影矩阵和历史基础矩阵。
本申请实施例中,测试平台基于降维后的特征数S的取值范围为选取正整数S,确定降维后的特征数S,并通过非负矩阵分解算法,对历史特征矩阵Pk进行分解,随机生成历史投影矩阵W2和历史基础矩阵B2。其中,历史投影矩阵W2的大小为N×S,历史基础矩阵B2的大小为S×M。
步骤502、获取历史投影矩阵和历史基础矩阵相乘得到的第四乘积矩阵。
步骤503、若历史特征矩阵减去第四乘积矩阵得到的第四差值矩阵符合差值阈值矩阵,确定所述第四差值矩阵对应的历史投影矩阵为降维后的历史特征矩阵。
本申请实施例中,差值阈值矩阵用于确定历史特征矩阵,与历史投影矩阵和历史基础矩阵相乘得到的第一乘积矩阵之间的差值的矩阵。示例性的,差值阈值矩阵中的每一元素的值可以为10-6。
本申请实施例中,测试平台基于确定的历史特征矩阵降维后的特征数S,通过非负矩阵分解算法,对历史特征矩阵Pk进行分解,得到历史投影矩阵W2和历史基础矩阵B2的情况下,获取历史投影矩阵W2和历史基础矩阵B2相乘得到的第四乘积矩阵Q4。若历史特征矩阵Pk减去第四乘积矩阵Q4得到的第四差值矩阵E4符合差值阈值矩阵E,由于测试平台需找到满足差值阈值矩阵E对应的历史投影矩阵为降维后的历史投影矩阵,此时,因为第四差值矩阵E4满足条件,则第四差值矩阵E4对应的历史投影矩阵W2为降维后的历史投影矩阵这里,降维后的历史投影矩阵/>其中,降维后的历史投影矩阵/>的大小为S×N。
步骤504、若历史特征矩阵减去第四乘积矩阵得到的第四差值矩阵不符合差值阈值矩阵,通过投影矩阵调整模型对历史投影矩阵中的每一元素进行调整,得到调整后的历史投影矩阵。
步骤505、通过基础矩阵调整模型对历史基础矩阵中的每一元素进行调整,得到调整后的历史基础矩阵。
本申请实施例中,测试平台确定历史特征矩阵Pk减去第四乘积矩阵Q4得到的第四差值矩阵E4不符合差值阈值矩阵E,通过投影矩阵调整模型对历史投影矩阵W2中的每一元素进行调整,得到调整后的历史投影矩阵W21。进一步的,通过基础矩阵调整模型对基础投影矩阵B2中的每一元素进行调整,得到调整后的基础投影矩阵B21。
步骤506、获取调整后的历史投影矩阵和调整后的历史基础矩阵相乘得到的第五乘积矩阵。
步骤507、若历史特征矩阵减去第五乘积矩阵得到的第五差值矩阵符合差值阈值矩阵,确定第五差值矩阵对应的调整后的历史投影矩阵为降维后的历史特征矩阵。
本申请实施例中,测试平台获取调整后的历史投影矩阵W21和调整后的历史基础矩阵B21相乘得到的第五乘积矩阵Q5;若历史特征矩阵Pk减去第五乘积矩阵Q5得到的第五差值矩阵E5符合差值阈值矩阵E,由于测试平台需找到满足差值阈值矩阵E对应的历史投影矩阵为降维后的历史投影矩阵,此时,因为第五差值矩阵E5满足条件,则确定第五差值矩阵E5对应的调整后的历史投影矩阵W21为降维后的历史投影矩阵/>
步骤508、若历史特征矩阵减去第五乘积矩阵得到的第五差值矩阵不符合差值阈值矩阵,通过投影矩阵调整模型对调整后的历史投影矩阵中的每一元素进行调整,得到新调整后的历史投影矩阵。
步骤509、通过基础矩阵调整模型对调整后的历史基础矩阵中的每一元素进行调整,得到新调整后的历史基础矩阵。
步骤510、获取新调整后的历史投影矩阵和新调整后的历史基础矩阵相乘得到的第六乘积矩阵。
步骤511、若历史特征矩阵减去第六乘积矩阵得到的第六差值矩阵符合差值阈值矩阵,确定第六差值矩阵对应的新调整后的历史投影矩阵为降维后的历史特征矩阵。
本申请实施例中,首先,测试平台确定历史特征矩阵Pk减去第五乘积矩阵Q5得到的第五差值矩阵E5不符合差值阈值矩阵E,通过投影矩阵调整模型对调整后的历史投影矩阵W21中的每一元素进行调整,得到新调整后的历史投影矩阵W22;其次,测试平台通过基础矩阵调整模型对调整后的历史基础矩阵B21中的每一元素进行调整,得到新调整后的历史基础矩阵B22;然后,测试平台获取新调整后的历史投影矩阵W22和新调整后的历史基础矩阵B22相乘得到的第六乘积矩阵Q6;最后,测试平台确定历史特征矩阵Pk减去第六乘积矩阵Q6得到的第六差值矩阵E6符合差值阈值矩阵E,确定第六差值矩阵E6对应的新调整后的历史投影矩阵W22为降维后的历史特征矩阵需要说明的是,本申请实施例对于降维后的历史特征矩阵/>的确定,可以是测试平台对历史投影矩阵经过一次调整后得到满足条件的降维后的历史特征矩阵,也可以是测试平台对历史投影矩阵经过多次调整后,得到满足条件的降维后的历史特征矩阵。也就是说,本申请对于调整的循环次数不作具体的限定,以得到满足条件的降维后的历史特征矩阵为准。这里,由于测试平台需找到满足差值阈值矩阵E对应的历史投影矩阵为降维后的历史投影矩阵,此时,因为第六差值矩阵E6满足条件,则确定第六差值矩阵E6对应的新调整后的历史投影矩阵W22为降维后的历史特征矩阵/>本申请实施例中,测试平台利用降维后的历史特征矩阵替代原有的历史特征矩阵,不仅减少了存储空间,还减少了计算机资源的计算量以及计算复杂度,且特征表征力提高,同时是否对所有前端测试案例进行自动化测试,提供了准确的数据作为计算依据。
步骤308、计算降维后的测试特征矩阵中第n个前端测试案例的降维后的特征与降维后的历史特征矩阵中每一前端历史案例的降维后的特征的相似度,得到相似度矩阵。
本申请实施例中,降维后的测试特征矩阵每一降维后的历史特征矩阵/>测试平台通过余弦定理计算降维后的测试特征矩阵/>中第n个前端测试案例的降维后的特征,和第k个降维后的历史特征矩阵/>中每一前端历史案例的降维后的特征的相似度/>进而基于多个相似度/>得到相似度矩阵/>其中,相似度矩阵/>的大小为1×N。
在一种可实现的应用场景中,测试平台通过余弦定理计算降维后的测试特征矩阵中第n行与降维后的历史特征矩阵/>中的每一列之间的相似度/>
步骤309、基于相似度矩阵,确定所有前端测试案例满足自动化测试条件时,对待测系统版本集合中的所有前端测试案例进行自动化测试。
在一些实施例中,步骤309基于相似度矩阵,确定所有前端测试案例满足自动化测试条件时,对待测系统版本集合中的所有前端测试案例进行自动化测试,可以通过图7所示的步骤实现:
步骤601、获取至少两个历史系统版本集合中每一历史系统版本集合对应的权重。
本申请实施例中,测试平台为每一历史系统版本集合对应的相似度矩阵θk,设置一个权重wk,且该权重wk大于等于0且小于等于1。这里,为每一相似度矩阵θk设置权重wk时,可以通过如下公式得到,
其中,wk为每一相似度矩阵θk对应的权重wk,k为每一历史系统版本集合在所有历史系统版本集合中排序号,K为所有历史系统版本集合的总数;需要说明的是,每一历史系统版本集合的排序号k越小,则为每一历史系统版本集合对应的相似度矩阵θk,设置的权重wk越大,表示待测系统在最小值k对应的历史系统中通过迭代的方式进行持续增量开发的可能性越大。
本申请实施例中,测试平台获取至少两个历史系统版本集合中每一历史系统版本集合k对应的权重wk。
步骤602、基于降维后的每一前端测试案例与降维后的每一历史版本集合中所有前端历史案例中的案例n之间的相似度矩阵、每一历史系统版本集合对应的权重,生成待测系统版本集合与所有历史系统版本集合之间的每一目标关联矩阵。
本申请实施例中,降维后的每一前端测试案例包括前端测试案例的降维后的特征,降维后的每一历史版本集合中所有前端历史案例中的案例包括每一前端历史案例的降维后的特征。
本申请实施例中,测试平台基于降维后的每一前端测试案例与降维后的每一历史版本集合中所有前端历史案例中的案例n之间的相似度矩阵组成目标相似度矩阵/>测试平台基于目标相似度矩阵θk、每一历史系统版本集合k对应的权重wk,通过yk=wkθk,生成待测系统版本集合与所有历史系统版本集合之间的每一目标关联矩阵yk。/>
本申请其他实施例中,测试平台生成待测系统版本集合与所有历史系统版本集合之间的每一目标关联矩阵yk,还可以通过如下方式实现:
Step1、获取至少两个历史系统版本集合中每一历史系统版本集合对应的权重,和补充因子。
Step2、基于降维后的每一前端测试案例与降维后的每一历史版本集合中所有前端历史案例中的案例n之间的相似度矩阵、每一历史系统版本集合对应的权重和补充因子,生成待测系统版本集合与所有历史系统版本集合之间的每一目标关联矩阵。
本申请实施例中,测试平台获取至少两个历史系统版本集合中每一历史系统版本集合对应的权重wk,和补充因子h后,将降维后的每一前端测试案例与降维后的每一历史版本集合中所有前端历史案例中的案例n之间的相似度矩阵θk、每一历史系统版本集合对应的权重wk和补充因子h,通过yk=wkθk+h,生成待测系统版本集合与所有历史系统版本集合之间的每一目标关联矩阵yk。如此,通过设置补充因子h,防止生成的待测系统版本集合与所有历史系统版本集合之间的每一目标关联矩阵yk中的每一元素为0。
步骤603、获取每一目标关联矩阵中每一行的最大值,并确定每一目标关联矩阵中所有行的最大值中,大于第一目标阈值的最大值的第一数量。
本申请实施例中,测试平台获取每一目标关联矩阵yk中每一行的最大值,获取每一目标关联矩阵yk中所有行的最大值中大于第一目标阈值如1/2的最大值,并确定大于1/2的最大值的第一数量sum1。
步骤604、计算第一数量与待测系统版本集合中的所有前端测试案例的总数的比值,得到第一比值。
本申请实施例中,测试平台计算第一数量sum1与待测系统版本集合中的所有前端测试案例的总数N的比值,得到第一比值z1,其中,
步骤605、获取每一目标关联矩阵对应的所有第一比值中,大于第二目标阈值的第一比值的第二数量。
本申请实施例中,测试平台获取每一目标关联矩阵yk对应的所有第一比值z1中大于第二目标阈值如1/2的第一比值z1,并确定大于1/2的第一比值z1的第二数量sum2。
步骤606、计算第二数量与历史系统版本集合的总数的比值,得到第二比值。
本申请实施例中,测试平台计算第二数量sum2与历史系统版本集合的总数K的比值,得到第二比值z2,其中,
步骤607、若第二比值大于第三目标阈值,确定所有前端测试案例满足自动化测试条件,对待测系统版本集合中的所有前端测试案例进行自动化测试。
本申请实施例中,测试平台确定第二比值z2大于第三目标阈值如1/2,表示待测系统版本集合中的所有前端测试案例与历史系统版本集合中的所有前端历史测试案例之间的差异不大,此时,确定所有前端测试案例满足自动化测试条件。且在开发人员对历史系统版本集合对应的自动化脚本中的部分脚本进行少量改动后,测试平台即可通过改动后的自动化脚本对待测系统版本集合中的所有前端测试案例进行自动化测试,如此,实现了对前端测试案例的自动化执行建立了统一的标准,提高了判断的准确性,同时,无需依赖人工操作,提高了处理效率。
参见图8,图8是本申请实施例提供的测试案例处理方法的一个可选的流程示意图,将结合图8示出的步骤进行说明,
步骤701、获取待测系统版本集合中的所有测试案例。
步骤702、将待测系统版本集合中的所有测试案例输入至训练好的分类器中,得到训练好的分类器输出的所有测试案例中的所有前端测试案例。
步骤703、获取至少两个历史系统版本集合中每一历史系统版本集合中的所有前端历史案例。
步骤704、基于词频-逆向文件频率算法,计算所有前端测试案例中每一前端测试案例中的特征对应的特征值,得到待测系统版本集合的测试特征矩阵。
步骤705、基于词频-逆向文件频率算法,计算每一历史系统版本集合中所有前端历史案例中每一前端历史案例中的特征对应的特征值,得到每一历史系统版本集合的历史特征矩阵。
步骤706、基于非负矩阵分解算法,对测试特征矩阵进行降维处理,得到降维后的测试特征矩阵。
步骤707、基于非负矩阵分解算法,对历史特征矩阵进行降维处理,得到降维后的历史特征矩阵。
步骤708、计算降维后的测试特征矩阵中第n个前端测试案例的降维后的特征与降维后的历史特征矩阵中每一前端历史案例的降维后的特征的相似度,得到相似度矩阵。
步骤709、基于获取的每一历史系统版本集合对应的权重和补充因子,以及降维后的每一前端测试案例与降维后的每一历史版本集合中所有前端历史案例中的案例n之间的相似度矩阵,生成待测系统版本集合与所有历史系统版本集合之间的每一目标关联矩阵。
步骤710、基于待测系统版本集合与所有历史系统版本集合之间的每一目标关联矩阵,确定所有前端测试案例是否满足自动化测试条件,以确定是否对待测系统版本集合中的所有前端测试案例进行自动化测试。
由上述可知,本申请实施例中,测试平台在获取到待测系统版本集合中的所有前端测试案例和所有前端历史案例后,首先,通过词频-逆向文件频率算法,计算每一前端测试案例中的特征对应的特征值,得到待测系统版本集合的测试特征矩阵,计算每一前端历史案例中的特征对应的特征值,得到每一历史系统版本集合的历史特征矩阵;其次,通过非负矩阵算法,对测试特征矩阵和历史特征矩阵分别进行降维处理,并对降维后的测试特征矩阵和降维后的历史特征矩阵进行相似度处理,以得到相似度矩阵,进而根据相似度矩阵,确定所有前端测试案例满足自动化测试条件时,对所有前端测试案例进行自动化测试。如此,本申请解决了相关技术必须依赖于人工操作以及人工主观带来的不确定性,且至少存在效率低、准确性差的问题;实现了对前端测试案例的自动化执行建立了统一的标准,提高了判断的准确性,同时,无需依赖人工操作,提高了处理效率。
下面继续说明本申请实施例提供的测试案例处理装置154实施为软件模块的示例性结构,在一些实施例中,如图1所示,存储在存储器150的测试案例处理装置154中的软件模块可以是测试平台100中的测试案例处理装置,包括:
获取模块1541,用于获取待测系统版本集合中的所有前端测试案例,以及至少两个历史系统版本集合中每一历史系统版本集合中的所有前端历史案例;
处理模块1542,用于计算所有前端测试案例中每一前端测试案例中的特征对应的特征值,得到待测系统版本集合的测试特征矩阵;
处理模块1542,还用于计算每一历史系统版本集合中所有前端历史案例中每一前端历史案例中的特征对应的特征值,得到每一历史系统版本集合的历史特征矩阵;
处理模块1542,还用于基于非负矩阵分解算法,对测试特征矩阵进行降维处理,得到降维后的测试特征矩阵;
处理模块1542,还用于基于非负矩阵分解算法,对历史特征矩阵进行降维处理,得到降维后的历史特征矩阵;
处理模块1542,还用于计算降维后的测试特征矩阵中第n个前端测试案例的降维后的特征与降维后的历史特征矩阵中每一前端历史案例的降维后的特征的相似度,得到相似度矩阵;其中,n为大于等于1且小于等于N的正整数,N为待测系统版本集合中的前端测试案例的总数;
处理模块1542,还用于基于相似度矩阵,确定所有前端测试案例满足自动化测试条件时,对待测系统版本集合中的所有前端测试案例进行自动化测试。
在一些实施例中,处理模块1542,还用于基于确定的测试特征矩阵降维后的特征数,通过非负矩阵分解算法,对测试特征矩阵进行分解,得到测试投影矩阵和测试基础矩阵;获取模块1541,还用于获取测试投影矩阵和测试基础矩阵相乘得到的第一乘积矩阵;处理模块1542,还用于若测试特征矩阵减去第一乘积矩阵得到的第一差值矩阵符合差值阈值矩阵,确定第一差值矩阵对应的测试投影矩阵为降维后的测试特征矩阵。
在一些实施例中,处理模块1542,还用于若第一差值矩阵不符合差值阈值矩阵,通过投影矩阵调整模型对测试投影矩阵中的每一元素进行调整,得到调整后的测试投影矩阵;通过基础矩阵调整模型对测试基础矩阵中的每一元素进行调整,得到调整后的测试基础矩阵;获取模块1541,还用于获取调整后的测试投影矩阵和调整后的测试基础矩阵相乘得到的第二乘积矩阵;处理模块1542,还用于若测试特征矩阵减去第二乘积矩阵得到的第二差值矩阵符合差值阈值矩阵,确定第二差值矩阵对应的调整后的测试投影矩阵为降维后的测试特征矩阵。
在一些实施例中,投影矩阵调整模型为:
其中,W′ns为调整后的测试投影矩阵中第n行第s列的元素,W为测试投影矩阵,Wns为测试投影矩阵中第n行第s列的元素,X为测试特征矩阵,B为测试基础矩阵,BT为测试基础矩阵的转置矩阵,(XBT)ns为测试特征矩阵X与测试基础矩阵的转置矩阵BT相乘后所得到的矩阵中第n行第s列的元素,(WBBT)ns为测试投影矩阵W、测试基础矩阵B和测试基础矩阵的转置矩阵BT相乘后所得到的矩阵中第n行第s列的元素;
基础矩阵调整模型为:
其中,B′sm为调整后的测试基础矩阵中第s行第m列的元素,B为测试基础矩阵,Bsm为测试基础矩阵中第s行第m列的元素,X为测试特征矩阵,W为测试投影矩阵,WT为测试投影矩阵的转置矩阵,(WTX)sm为测试投影矩阵的转置矩阵WT与测试特征矩阵X相乘后所得到的矩阵中第s行第m列的元素,(WTWB)sm为测试投影矩阵的转置矩阵WT、测试投影矩阵W和测试基础矩阵B相乘后所得到的矩阵中第s行第m列的元素。
在一些实施例中,处理模块1542,还用于若第二差值矩阵不符合差值阈值矩阵,通过投影矩阵调整模型对调整后的测试投影矩阵中的每一元素进行调整,得到新调整后的测试投影矩阵;通过基础矩阵调整模型对调整后的测试基础矩阵中的每一元素进行调整,得到新调整后的测试基础矩阵;获取模块1541,还用于获取新调整后的测试投影矩阵和新调整后的测试基础矩阵相乘得到的第三乘积矩阵;处理模块1542,还用于若测试特征矩阵减去第三乘积矩阵得到的第三差值矩阵符合差值阈值矩阵,确定第三差值矩阵对应的新调整后的测试投影矩阵为降维后的测试特征矩阵。
在一些实施例中,获取模块1541,还用于获取至少两个历史系统版本集合中每一历史系统版本集合对应的权重;处理模块1542,还用于基于降维后的每一前端测试案例与降维后的每一历史版本集合中所有前端历史案例中的案例n之间的相似度矩阵、每一历史系统版本集合对应的权重,生成待测系统版本集合与所有历史系统版本集合之间的每一目标关联矩阵;获取模块1541,还用于获取每一目标关联矩阵中每一行的最大值,并确定每一目标关联矩阵中所有行的最大值中,大于第一目标阈值的最大值的第一数量;处理模块1542,还用于计算第一数量与待测系统版本集合中的所有前端测试案例的总数的比值,得到第一比值;获取模块1541,还用于获取每一目标关联矩阵对应的所有第一比值中,大于第二目标阈值的第一比值的第二数量;处理模块1542,还用于计算第二数量与历史系统版本集合的总数的比值,得到第二比值;若第二比值大于第三目标阈值,确定所有前端测试案例满足自动化测试条件,对待测系统版本集合中的所有前端测试案例进行自动化测试。
在一些实施例中,获取模块1541,还用于获取待测系统版本集合中的所有测试案例;处理模块1542,还用于将待测系统版本集合中的所有测试案例输入至训练好的分类器中,得到训练好的分类器输出的所有测试案例中的所有前端测试案例。
本申请实施例提供一种存储有可执行指令的存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本申请实施例提供的方法,例如,如图2-图3、图5-图8示出的方法。
在一些实施例中,存储介质可以是计算机可读存储介质,例如,铁电存储器(FRAM,Ferromagnetic Random Access Memory)、只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read Only Memory)、带电可擦可编程只读存储器(EEPROM,Electrically Erasable Programmable Read Only Memory)、闪存、磁表面存储器、光盘、或光盘只读存储器(CD-ROM,Compact Disk-Read Only Memory)等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(超文本标记语言,Hyper Text Markup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述,仅为本申请的实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本申请的保护范围之内。
Claims (9)
1.一种测试案例处理方法,其特征在于,包括:
获取待测系统版本集合中的所有前端测试案例,以及至少两个历史系统版本集合中每一历史系统版本集合中的所有前端历史案例;
基于词频-逆向文件频率算法,计算所述所有前端测试案例中每一前端测试案例中的特征对应的特征值,得到所述待测系统版本集合的测试特征矩阵;
基于所述词频-逆向文件频率算法,计算所述每一历史系统版本集合中所述所有前端历史案例中每一前端历史案例中的特征对应的特征值,得到所述每一历史系统版本集合的历史特征矩阵;
基于非负矩阵分解算法,对所述测试特征矩阵进行降维处理,得到降维后的测试特征矩阵;
基于所述非负矩阵分解算法,对所述历史特征矩阵进行降维处理,得到降维后的历史特征矩阵;
计算所述降维后的测试特征矩阵中第n个前端测试案例的降维后的特征与所述降维后的历史特征矩阵中每一前端历史案例的降维后的特征的相似度,得到相似度矩阵;其中,所述n为大于等于1且小于等于N的正整数,N为所述待测系统版本集合中的前端测试案例的总数;
基于所述相似度矩阵,确定所述所有前端测试案例满足自动化测试条件时,对所述待测系统版本集合中的所有前端测试案例进行自动化测试;
其中,所述基于所述相似度矩阵,确定所述所有前端测试案例满足自动化测试条件时,对所述待测系统版本集合中的所有前端测试案例进行自动化测试,包括:
获取至少两个历史系统版本集合中每一历史系统版本集合对应的权重;
基于降维后的所述每一前端测试案例与降维后的每一历史版本集合中所有前端历史案例中的案例n之间的所述相似度矩阵、所述每一历史系统版本集合对应的权重,生成所述待测系统版本集合与所有历史系统版本集合之间的每一目标关联矩阵;
获取所述每一目标关联矩阵中每一行的最大值,并确定所述每一目标关联矩阵中所有行的最大值中,大于第一目标阈值的最大值的第一数量;
计算所述第一数量与所述待测系统版本集合中的所有前端测试案例的总数的比值,得到第一比值;
获取所述每一目标关联矩阵对应的所有所述第一比值中,大于第二目标阈值的所述第一比值的第二数量;
计算所述第二数量与所述历史系统版本集合的总数的比值,得到第二比值;
若所述第二比值大于第三目标阈值,确定所述所有前端测试案例满足自动化测试条件,对所述待测系统版本集合中的所有前端测试案例进行自动化测试。
2.根据权利要求1所述的方法,其特征在于,所述基于非负矩阵分解算法,对所述测试特征矩阵进行降维处理,得到降维后的测试特征矩阵,包括:
基于确定的所述测试特征矩阵降维后的特征数,通过所述非负矩阵分解算法,对所述测试特征矩阵进行分解,得到测试投影矩阵和测试基础矩阵;
获取所述测试投影矩阵和所述测试基础矩阵相乘得到的第一乘积矩阵;
若所述测试特征矩阵减去所述第一乘积矩阵得到的第一差值矩阵符合差值阈值矩阵,确定所述第一差值矩阵对应的所述测试投影矩阵为所述降维后的测试特征矩阵。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若所述第一差值矩阵不符合所述差值阈值矩阵,通过投影矩阵调整模型对所述测试投影矩阵中的每一元素进行调整,得到调整后的测试投影矩阵;
通过基础矩阵调整模型对所述测试基础矩阵中的每一元素进行调整,得到调整后的测试基础矩阵;
获取所述调整后的测试投影矩阵和所述调整后的测试基础矩阵相乘得到的第二乘积矩阵;
若所述测试特征矩阵减去所述第二乘积矩阵得到的第二差值矩阵符合所述差值阈值矩阵,确定所述第二差值矩阵对应的所述调整后的测试投影矩阵为所述降维后的测试特征矩阵。
4.根据权利要求3所述的方法,其特征在于,所述投影矩阵调整模型为:
其中,所述为所述调整后的测试投影矩阵中第n行第s列的元素,所述W为所述测试投影矩阵,所述/>为所述测试投影矩阵中第n行第s列的元素,所述X为所述测试特征矩阵,所述B为所述测试基础矩阵,所述BT为所述测试基础矩阵的转置矩阵,所述/>为所述测试特征矩阵X与所述测试基础矩阵的转置矩阵BT相乘后所得到的矩阵中第n行第s列的元素,所述/>为所述测试投影矩阵W、所述测试基础矩阵B以及所述测试基础矩阵的转置矩阵BT相乘后所得到的矩阵中第n行第s列的元素;
所述基础矩阵调整模型为:
其中,所述为所述调整后的测试基础矩阵中第s行第m列的元素,所述B为所述测试基础矩阵,所述/>为所述测试基础矩阵中第s行第m列的元素,所述X为所述测试特征矩阵,所述W为所述测试投影矩阵,所述WT为所述测试投影矩阵的转置矩阵,所述/>为所述测试投影矩阵的转置矩阵WT与所述测试特征矩阵X相乘后所得到的矩阵中第s行第m列的元素,所述/>为所述测试投影矩阵的转置矩阵WT、所述测试投影矩阵W和所述测试基础矩阵B相乘后所得到的矩阵中第s行第m列的元素。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述第二差值矩阵不符合所述差值阈值矩阵,通过所述投影矩阵调整模型对所述调整后的测试投影矩阵中的每一元素进行调整,得到新调整后的测试投影矩阵;
通过所述基础矩阵调整模型对所述调整后的测试基础矩阵中的每一元素进行调整,得到新调整后的测试基础矩阵;
获取所述新调整后的测试投影矩阵和所述新调整后的测试基础矩阵相乘得到的第三乘积矩阵;
若所述测试特征矩阵减去所述第三乘积矩阵得到的第三差值矩阵符合差值阈值矩阵,确定所述第三差值矩阵对应的所述新调整后的测试投影矩阵为所述降维后的测试特征矩阵。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述获取待测系统版本集合中的所有前端测试案例之前,所述方法还包括:
获取所述待测系统版本集合中的所有测试案例;
将所述待测系统版本集合中的所有测试案例输入至训练好的分类器中,得到所述训练好的分类器输出的所述所有测试案例中的所述所有前端测试案例。
7.一种测试案例处理装置,其特征在于,所述装置包括:
获取模块,用于获取待测系统版本集合中的所有前端测试案例,以及至少两个历史系统版本集合中每一历史系统版本集合中的所有前端历史案例;
处理模块,用于基于词频-逆向文件频率算法,计算所述所有前端测试案例中每一前端测试案例中的特征对应的特征值,得到所述待测系统版本集合的测试特征矩阵;
所述处理模块,还用于基于所述词频-逆向文件频率算法,计算所述每一历史系统版本集合中所述所有前端历史案例中每一前端历史案例中的特征对应的特征值,得到所述每一历史系统版本集合的历史特征矩阵;
所述处理模块,还用于基于非负矩阵分解算法,对所述测试特征矩阵进行降维处理,得到降维后的测试特征矩阵;
所述处理模块,还用于基于所述非负矩阵分解算法,对所述历史特征矩阵进行降维处理,得到降维后的历史特征矩阵;
所述处理模块,还用于计算所述降维后的测试特征矩阵中第n个前端测试案例的降维后的特征与所述降维后的历史特征矩阵中每一前端历史案例的降维后的特征的相似度,得到相似度矩阵;其中,所述n为大于等于1且小于等于N的正整数,N为所述待测系统版本集合中的前端测试案例的总数;
所述处理模块,还用于基于所述相似度矩阵,确定所述所有前端测试案例满足自动化测试条件时,对所述待测系统版本集合中的所有前端测试案例进行自动化测试;
其中,所述基于所述相似度矩阵,确定所述所有前端测试案例满足自动化测试条件时,对所述待测系统版本集合中的所有前端测试案例进行自动化测试,包括:
获取至少两个历史系统版本集合中每一历史系统版本集合对应的权重;
基于降维后的所述每一前端测试案例与降维后的每一历史版本集合中所有前端历史案例中的案例n之间的所述相似度矩阵、所述每一历史系统版本集合对应的权重,生成所述待测系统版本集合与所有历史系统版本集合之间的每一目标关联矩阵;
获取所述每一目标关联矩阵中每一行的最大值,并确定所述每一目标关联矩阵中所有行的最大值中,大于第一目标阈值的最大值的第一数量;
计算所述第一数量与所述待测系统版本集合中的所有前端测试案例的总数的比值,得到第一比值;
获取所述每一目标关联矩阵对应的所有所述第一比值中,大于第二目标阈值的所述第一比值的第二数量;
计算所述第二数量与所述历史系统版本集合的总数的比值,得到第二比值;
若所述第二比值大于第三目标阈值,确定所述所有前端测试案例满足自动化测试条件,对所述待测系统版本集合中的所有前端测试案例进行自动化测试。
8.一种测试平台,其特征在于,包括:
存储器,用于存储可执行指令;处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至6任一项所述的方法。
9.一种存储介质,其特征在于,存储有可执行指令,用于引起处理器执行时,实现权利要求1至6任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110729999.3A CN113342683B (zh) | 2021-06-29 | 2021-06-29 | 一种测试案例处理方法、装置、平台及存储介质 |
PCT/CN2021/136833 WO2023273177A1 (zh) | 2021-06-29 | 2021-12-09 | 一种测试案例处理方法、装置、平台及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110729999.3A CN113342683B (zh) | 2021-06-29 | 2021-06-29 | 一种测试案例处理方法、装置、平台及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113342683A CN113342683A (zh) | 2021-09-03 |
CN113342683B true CN113342683B (zh) | 2024-04-09 |
Family
ID=77481496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110729999.3A Active CN113342683B (zh) | 2021-06-29 | 2021-06-29 | 一种测试案例处理方法、装置、平台及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113342683B (zh) |
WO (1) | WO2023273177A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342683B (zh) * | 2021-06-29 | 2024-04-09 | 深圳前海微众银行股份有限公司 | 一种测试案例处理方法、装置、平台及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222038A (zh) * | 2010-04-16 | 2011-10-19 | 中国工商银行股份有限公司 | 一种基于银行业务的交易软件测试方法及系统 |
TW201439947A (zh) * | 2012-12-06 | 2014-10-16 | Miami Internat Securities Exchange Llc | 用於測試一金融交易系統之系統及方法 |
CN109902006A (zh) * | 2019-02-20 | 2019-06-18 | 北京安和瑞福信息技术有限公司 | 自动化测试方法和装置 |
CN110502432A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技(深圳)有限公司 | 智能测试方法、装置、设备及可读存储介质 |
CN110647461A (zh) * | 2019-08-19 | 2020-01-03 | 江苏大学 | 多信息融合的回归测试用例排序方法及系统 |
CN110716857A (zh) * | 2019-08-27 | 2020-01-21 | 平安普惠企业管理有限公司 | 测试用例管理方法、装置、计算机设备和存储介质 |
CN111538669A (zh) * | 2020-04-29 | 2020-08-14 | 中国银行股份有限公司 | 一种基于历史问题回溯分析的测试案例抽取方法及装置 |
CN112199285A (zh) * | 2020-10-12 | 2021-01-08 | 中国农业银行股份有限公司 | 一种测试案例优选方法、装置及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014103768A1 (de) * | 2014-03-19 | 2015-09-24 | Sidact Gmbh | Verfahren zur Kompression von Beobachtungen einer Vielzahl von Testabläufen |
US9411710B2 (en) * | 2014-08-01 | 2016-08-09 | Unisys Corporation | Automated regression test case selector and black box test coverage tool for product testing |
US11379758B2 (en) * | 2019-12-06 | 2022-07-05 | International Business Machines Corporation | Automatic multilabel classification using machine learning |
CN112148620B (zh) * | 2020-10-12 | 2024-04-12 | 中国农业银行股份有限公司 | 一种测试案例生成方法及相关设备 |
CN113342683B (zh) * | 2021-06-29 | 2024-04-09 | 深圳前海微众银行股份有限公司 | 一种测试案例处理方法、装置、平台及存储介质 |
-
2021
- 2021-06-29 CN CN202110729999.3A patent/CN113342683B/zh active Active
- 2021-12-09 WO PCT/CN2021/136833 patent/WO2023273177A1/zh unknown
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222038A (zh) * | 2010-04-16 | 2011-10-19 | 中国工商银行股份有限公司 | 一种基于银行业务的交易软件测试方法及系统 |
TW201439947A (zh) * | 2012-12-06 | 2014-10-16 | Miami Internat Securities Exchange Llc | 用於測試一金融交易系統之系統及方法 |
CN109902006A (zh) * | 2019-02-20 | 2019-06-18 | 北京安和瑞福信息技术有限公司 | 自动化测试方法和装置 |
CN110502432A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技(深圳)有限公司 | 智能测试方法、装置、设备及可读存储介质 |
CN110647461A (zh) * | 2019-08-19 | 2020-01-03 | 江苏大学 | 多信息融合的回归测试用例排序方法及系统 |
CN110716857A (zh) * | 2019-08-27 | 2020-01-21 | 平安普惠企业管理有限公司 | 测试用例管理方法、装置、计算机设备和存储介质 |
CN111538669A (zh) * | 2020-04-29 | 2020-08-14 | 中国银行股份有限公司 | 一种基于历史问题回溯分析的测试案例抽取方法及装置 |
CN112199285A (zh) * | 2020-10-12 | 2021-01-08 | 中国农业银行股份有限公司 | 一种测试案例优选方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
Construction of the similarity matrix for the spectral clustering method: Numerical experiments;P. Favati;Journal of Computational and Applied Mathematics;第375卷;全文 * |
一种非负矩阵分解的快速方法;王文俊;张军英;;计算机工程与应用(第25期);全文 * |
基于序关系的非完备信息案例推理集成方法研究;胡健;陈浈;孙金花;;计算机应用与软件(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023273177A1 (zh) | 2023-01-05 |
CN113342683A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110957012B (zh) | 化合物的性质分析方法、装置、设备及存储介质 | |
Hoff et al. | Information bounds for Gaussian copulas | |
CN110705718A (zh) | 基于合作博弈的模型解释方法、装置、电子设备 | |
Chang et al. | Software defect prediction using non-negative matrix factorization | |
US20230131518A1 (en) | Model Generation Method and Apparatus, Object Detection Method and Apparatus, Device, and Storage Medium | |
CN113342683B (zh) | 一种测试案例处理方法、装置、平台及存储介质 | |
Gronau et al. | Computing Bayes factors for evidence-accumulation models using Warp-III bridge sampling | |
CN112100401A (zh) | 面向科技服务的知识图谱构建方法、装置、设备及存储介质 | |
US20220051103A1 (en) | System and method for compressing convolutional neural networks | |
Mukherjee et al. | Identification of the polaron measure I: fixed coupling regime and the central limit theorem for large times | |
US20150317282A1 (en) | Sketching structured matrices in nonlinear regression problems | |
Kelly et al. | Misspecification-robust sequential neural likelihood | |
Gittens | Topics in randomized numerical linear algebra | |
Jessup et al. | Performance-based numerical solver selection in the Lighthouse framework | |
Jianhong et al. | Data Driven Strategies: Theory and Applications | |
CN113822290A (zh) | 数据融合方法、装置、电子设备和计算机可读存储介质 | |
CN111105041B (zh) | 一种用于智慧数据碰撞的机器学习方法及装置 | |
Ge et al. | Exploring the variance contributions of correlated model parameters: A sampling-based approach and its application in traffic simulation models | |
CN111950852A (zh) | 一种用户行为分析与指导方法、装置、电子设备和可读存储装置 | |
Baron et al. | Can machines solve general queueing problems? | |
CN115186776B (zh) | 一种红宝石产地分类的方法、装置及存储介质 | |
CN116541528A (zh) | 招聘领域知识图谱构建的打标签方法和系统 | |
Paindaveine et al. | Inference on the shape of elliptical distributions based on the MCD | |
DE112022000915T5 (de) | Erstellen eines statistischen modells und auswerten der modellleistung | |
CN114741583A (zh) | 基于人工智能的信息推荐方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |