CN113515609A - 测试问题的问答的方法、装置和计算机可读存储介质 - Google Patents
测试问题的问答的方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113515609A CN113515609A CN202110667743.4A CN202110667743A CN113515609A CN 113515609 A CN113515609 A CN 113515609A CN 202110667743 A CN202110667743 A CN 202110667743A CN 113515609 A CN113515609 A CN 113515609A
- Authority
- CN
- China
- Prior art keywords
- information
- question
- processing
- determining
- answer
- 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 184
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 141
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000010998 test method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 description 22
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000586 desensitisation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请提供了一种测试问题的问答的方法、装置和计算机可读存储介质。该方法包括:获取测试工作的执行状态,执行状态至少包括未开始状态、已开始且未结束状态或已结束状态;根据执行状态,确定对应的问题信息;根据问题信息,生成对应的答案信息。该方法中,可以根据测试工作的不同的执行状态,确定对应的问题信息,这样可以准确地确定测试工程师在进行测试工作的过程中的所有的问题信息,进而根据得到的问题信息,来准确地生成答案信息,以此来为测试工程师提供的咨询和辅导,从而解决了现有技术中智能助手无法为测试工程师提供准确的问题。
Description
技术领域
本申请涉及人工智能领域,具体而言,涉及一种测试问题的问答的方法、装置、计算机可读存储介质和处理器。
背景技术
在移动互联网和大数据时代,由于业务快速迭代和各种峰值场景的压力,测试技术和质量保障体系在快速发展,对测试工程师技能水平要求越来越高,为了保证新入职的测试工程师快速掌握所需技能和流程制度,除了几种培训外,一般有以下几种方式辅助测试工程师工作:(1)、导师制:为新入职的测试工程师配置一名有经验的测试工程师作为其专职导师,进行全方位指导;(2)、技术文档:指的是测试基础技术手册以及业务系统需求和系统设计文档,新入职的测试工程师可以查询技术文档进行自我学习;(3)、维基(Wiki):是一种开放且可供多人协同创作的超文本系统,以实现团队成员之间的写作和知识共享,让新入职的测试工程师能够直接在这个知识库中搜索自己需要的资料。
但是,以上几种方式并不完善,对于导师制,导师不能每时每刻都陪伴在新入职的测试工程师身旁,提供7*24小时的问题咨询服务;对于技术文档,新入职的测试工程师在海量的技术文档里寻找特定问题的答案,学习效率较低,学习曲线陡峭;对于Wiki,Wiki虽然提供了知识库,但是需要新入职的测试工程师手动搜索知识,首先,这是一种图形用户界面(Graphical User Interface,简称GUI)方式,随着自然语言处理技术的发展,通过语音或文字与用户进行对话和交互已经成为社会的主流模式,其次,这种方式只能适用于特定关键字搜索,并不能够提供语义相似度的搜索,如果新入职的测试工程师因为不熟悉领域知识,很有可能搜不到或者搜不全相应的内容。
随着深度学习技术和自然语言处理技术的发展,人机交互技术除了必要的GUI之外,更多的是通过会话用户界面(Conversational User Interface,简称CUI)方式,通过语音或文字与用户进行对话和交互,智能助手替代搜索引擎应运而生,因此,新入职的测试工程师有时候会选择询问智能助手,通过人机交互技术进行问答得到自己的想要的答案。
目前常见的智能助手有以下几种:基于常见问题集(Frequently askedQuestions,简称FAQ)的智能助手、基于信息检索的智能助手、基于问题分类的智能助手和基于人工智能的智能系统,以上几种智能助手可以分为两大类,分别为基于专家规则的智能助手系统和基于机器学习的智能助手系统,对于基于专家规则的智能助手系统来说,其需要投入较多的人力,成本较高,覆盖范围较小且准确率不高,对于基于机器学习的智能助手系统来说,其需要大量的特征工程工作且准确率不高。
因此,亟需一种全场景全天候无缝智能助手的控制方法,来提供智能助手问答工作的准确率,为测试工程师提供准确的问题,帮助测试工程师高效地学习测试技术。
在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解,因此,背景技术中可能包含某些信息,这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。
发明内容
本申请的主要目的在于提供一种测试问题的问答的方法、装置、计算机可读存储介质和处理器,以解决现有技术中智能助手无法为测试工程师提供准确的问题。
根据本发明实施例的一个方面,提供了一种测试问题的问答的方法,包括:获取测试工作的执行状态,所述执行状态至少包括未开始状态、已开始且未结束状态或已结束状态;根据所述执行状态,确定对应的问题信息;根据所述问题信息,生成对应的答案信息。
可选地,在所述执行状态为所述未开始状态的情况下,根据所述执行状态,确定对应的问题信息,包括:确定是否存在热点问题,所述热点问题为操作日志中出现次数为预定次数的问题,所述操作日志为所述测试工作过程中记录的日志;在存在所述热点问题的情况下,确定所述热点问题对应的信息为第一问题信息。
可选地,确定是否存在热点问题,包括:获取第一问题,所述第一问题为所述操作日志中的全部问题;将所述第一问题进行分类,确定多个问题簇;对多个所述问题簇进行排序,得到至少两个预定问题簇;确定所述预定问题簇中是否存在所述热点问题,所述热点问题为所述预定问题簇中出现次数大于预定次数的问题。
可选地,在所述执行状态为所述已开始且未结束状态的情况下,根据所述执行状态,确定对应的问题信息,包括:获取测试用例信息;根据所述测试用例信息,确定第二问题信息,所述第二问题信息为预测用户会询问的问题的信息。
可选地,所述测试用例信息至少包括历史测试用例信息和当前测试用例信息,根据所述测试用例信息,确定第二问题信息,包括:将所述历史测试用例信息和所述当前测试用例信息分别转换成第一词序列和第二词序列;使用第一确定模型对所述测试用例信息进行分析,确定所述第二问题信息,其中,所述第一确定模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据至少包括:所述历史测试用例信息、所述当前测试用例信息、所述历史测试用例信息对应的所述第一词序列以及所述当前测试用例信息对应的所述第二词序列。
可选地,在所述执行状态为所述已结束状态的情况下,根据所述执行状态,确定对应的问题信息,包括:获取第三问题信息,所述第三问题信息为用户已经询问过的至少一个问题的信息;将所述第三问题信息转换成第三词序列;使用第二确定模型对所述第三问题信息进行分析,确定第四问题信息,所述第四问题信息为预测用户下一个会询问的问题的信息,其中,所述第二确定模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据至少包括:所述第三问题信息以及所述第三问题信息对应的所述第三词序列。
可选地,根据所述问题信息,生成对应的答案信息,包括:对所述问题信息进行文本处理,得到第一处理信息;对所述第一处理信息进行分词处理,得到第二处理信息;对所述第二处理信息进行分类处理,得到所述答案信息。
可选地,对所述第一处理信息进行分词处理,得到第二处理信息,包括:根据结巴分词技术对所述第一处理信息进行分词处理;对经过分词处理后的所述第一处理信息进行词序处理,得到所述第二处理信息。
可选地,对所述第二处理信息进行分类处理,得到所述答案信息,包括:获取所述第二处理信息的置信度;在所述第二处理信息的所述置信度处于第一预定置信度区间的情况下,确定第一答案信息,所述第一答案信息为一个所述问题信息对应的问题的答案的信息;在所述第二处理信息的所述置信度处于第二预定置信度区间的情况下,确定第二答案信息,所述第二答案信息为预定个数的所述问题信息对应的答案的多个信息;在所述第二处理信息的所述置信度处于第三预定置信度区间的情况下,确定第三答案信息,所述第三答案信息为不回答问题的信息,其中,所述第一预定置信度区间的最小值大于所述第二预定置信度区间的最大值,所述第二预定置信度区间的最小值大于所述第三预定置信度区间的最大值。
根据本发明实施例的另一方面,还提供了一种测试问题的问答的装置,包括:获取单元、确定单元和生成单元,获取单元用于获取测试工作的执行状态,所述执行状态至少包括未开始状态、已开始且未结束状态或已结束状态;确定单元用于根据所述执行状态,确定对应的问题信息;生成单元用于根据所述问题信息,生成对应的答案信息。
根据本发明实施例的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,所述程序执行任意一种所述的方法。
根据本发明实施例的再一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任意一种所述的方法。
在本发明实施例中,首先获取测试工作的执行状态,之后根据执行状态,确定对应的问题信息,最后根据问题信息,生成对应的答案信息。该方法中,可以根据测试工作的不同的执行状态,确定对应的问题信息,这样可以准确地确定测试工程师在进行测试工作的过程中的所有的问题信息,进而根据得到的问题信息,来准确地生成答案信息,以此来为测试工程师提供的咨询和辅导,从而解决了现有技术中智能助手无法为测试工程师提供准确的问题,该方案可以帮助用户快速学习测试技术,缩短用户查找答案的时间,为用户提供了良好的体验,进而提高了至少部分测试工作的效率。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例的测试问题的问答的方法的流程示意图;
图2示出了根据本申请的实施例的测试问题的问答的装置的结构示意图;
图3示出了根据本申请的实施例的另一种测试问题的问答的方法的流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如背景技术中所说的,现有技术中智能助手无法为测试工程师提供准确的问题,为了解决上述问题,本申请的一种典型的实施方式中,提供了一种测试问题的问答的方法、装置、计算机可读存储介质和处理器。
根据本申请的实施例,提供了一种测试问题的问答的方法。
图1是根据本申请实施例的测试问题的问答的方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取测试工作的执行状态,上述执行状态至少包括未开始状态、已开始且未结束状态或已结束状态;
步骤S102,根据上述执行状态,确定对应的问题信息;
步骤S103,根据上述问题信息,生成对应的答案信息。
上述的方法中,首先获取测试工作的执行状态,之后根据执行状态,确定对应的问题信息,最后根据问题信息,生成对应的答案信息。该方法中,可以根据测试工作的不同的执行状态,确定对应的问题信息,这样可以准确地确定测试工程师在进行测试工作的过程中的所有的问题信息,进而根据得到的问题信息,来准确地生成答案信息,以此来为测试工程师提供的咨询和辅导,从而解决了现有技术中智能助手无法为测试工程师提供准确的问题,该方案可以帮助用户快速学习测试技术,缩短用户查找答案的时间,为用户提供了良好的体验,进而提高了至少部分测试工作的效率。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的一种实施例中,在上述执行状态为上述未开始状态的情况下,根据上述执行状态,确定对应的问题信息,包括:确定是否存在热点问题,上述热点问题为操作日志中出现次数为预定次数的问题,上述操作日志为上述测试工作过程中记录的日志;在存在上述热点问题的情况下,确定上述热点问题对应的信息为第一问题信息。该实施例中,可以将热点问题对应的信息确定为第一问题信息,后续可以根据第一问题信息来生成对应的答案信息,该实施例是在测试开始前确定用户的热点问题的,可以为用户推荐热点问题,这样用户在测试工作开始前,可以得到热点问题,进一步地缩短用户查找答案的时间,进而可以根据热点问题来生成的答案信息来进行学习,进一步地保证用户的体验效果较好,该实施例进一步地解决了现有技术中智能助手无法为测试工程师提供准确的问题。
需要说明的是,预定次数可以为10次,还可以为50次,还可以为100次,当然,并不限于上述的几种,本领域技术人员可以根据实际情况选择合适的预定次数。
本申请的再一种实施例中,确定是否存在热点问题,包括:获取第一问题,上述第一问题为上述操作日志中的全部问题;将上述第一问题进行分类,确定多个问题簇;对多个上述问题簇进行排序,得到至少两个预定问题簇;确定上述预定问题簇中是否存在上述热点问题,上述热点问题为上述预定问题簇中出现次数大于预定次数的问题。该实施例中,通过对第一问题进行分类,可以得到多个不同类型的问题簇,进而对问题簇进行排序,问题簇中包括问题较多的排序在前或者在后,这样可以保证确定热点问题的速度较快,该实施例可以得到准确的热点问题。
本申请的又一种实施例中,在上述执行状态为上述已开始且未结束状态的情况下,根据上述执行状态,确定对应的问题信息,包括:获取测试用例信息;根据上述测试用例信息,确定第二问题信息,上述第二问题信息为预测用户会询问的问题的信息。该实施例中,根据测试用例来可以准确地预测用户可能会询问的问题,得到第二问题信息,后续可以根据第二问题信息来生成对应的答案信息,该实施例进一步地缩短用户查找答案的时间,进一步地保证用户的体验效果较好,进而进一步地解决了现有技术中智能助手无法为测试工程师提供准确的问题。
本申请的另一种实施例中,上述测试用例信息至少包括历史测试用例信息和当前测试用例信息,根据上述测试用例信息,确定第二问题信息,包括:将上述历史测试用例信息和上述当前测试用例信息分别转换成第一词序列和第二词序列;使用第一确定模型对上述测试用例信息进行分析,确定上述第二问题信息,其中,上述第一确定模型为使用多组数据通过机器学习训练出的,上述多组数据中的每组数据至少包括:上述历史测试用例信息、上述当前测试用例信息、上述历史测试用例信息对应的上述第一词序列以及上述当前测试用例信息对应的上述第二词序列。该实施例中,根据第一确定模型可以更准确地确定第二问题信息,可以进一步地保证预测的用户可能会问询的问题的信息较为准确。
一种具体的实施例中,可以将历史测试用例信息和当前测试用例信息进行特殊符号过滤、去停用词、同义词替换、特殊数字处理和分词等处理,得到词表,再进行转换,得到第一词序列和第二词序列,在转换过程中,如果这个单词存在于词表里,则确定第一词序列和/或第二词序列为词表里对应的单词的词序,如果不存在,则确定第一词序列和/或第二词序列为0,更为具体的,将历史测试用例信息、当前测试用例信息、历史测试用例信息对应的第一词序列以及当前测试用例信息对应的第二词序列作为多组数据,输入至神经网络模型中,神经网络模型对多组数据进行学习和训练,再采用神经网络模型对测试用例信息进行分析,可以确定第二问题信息;例如,当定义的序列为30位时,历史测试用例信息为“用户手机号注册”,经过一系列处理之后,得到【“用户”,“手机号”,“注册”】,将其进行转换,得到的第一词序列为【23,58,112】,后面的不足30位的将由0补足,最后得到的第一词序列为【23,58,112,0,0,0,0,0,……,0】,当前测试用例信息为“用户以手机号登录,密码输入正确”,经过一系列处理之后,得到【“用户”,“手机号”,“登录”,“密码”,“输入”,“正确”】,将其进行转换,得到第二词序列为【23,58,63,41,33,0,0,0,0,……,0】,当前测试用例信息为“用户个人设置”,经过一系列处理之后,得到【“用户”,“个人”,“设置”】,将其进行转换,得到第二词序列【23,38,92,0,0,0,0,……,0】,后续当获取到测试用例信息中又包括了“用户”、“手机号”或者“注册”等信息时,神经网络模型可以较为快速地对测试用例信息进行分析,可以较为快速且准确地确定第二问题信息。
具体地,上述的实施例中所采用的神经网络模型为现有技术任何可行的模型,本领域技术人员可以选择合适的神经网络模型来对测试用例信息进行分析,确定第二问题信息。
更为具体地,所采用的神经网络模型中包括嵌入层、双向长短时记忆网层、注意力机制层和其他的用以分析处理的网层,对于不同的神经网络模型,其层次结构不同,本方案对于所采用的神经网络模型不做限定,采用神经网络模型对输入的数据进行学习,双向长短时记忆网层可以将输入的数据中不同的数据进行求和,输入至注意力机制层,注意力机制层将数据进行非线性转换以及归一化处理,可以通过tanh函数做非线性转换,之后再采用其他的层来对数据进行处理,可以采用现有技术中任何可行的神经网络模型来进行训练和学习。
本申请的一种具体的实施例中,在上述执行状态为上述已结束状态的情况下,根据上述执行状态,确定对应的问题信息,包括:获取第三问题信息,上述第三问题信息为用户已经询问过的至少一个问题的信息;将上述第三问题信息转换成第三词序列;使用第二确定模型对上述第三问题信息进行分析,确定第四问题信息,上述第四问题信息为预测用户下一个会询问的问题的信息,其中,上述第二确定模型为使用多组数据通过机器学习训练出的,上述多组数据中的每组数据至少包括:上述第三问题信息以及上述第三问题信息对应的上述第三词序列。该实施例中,在测试工作已经结束的情况下,可以根据用户之前提问过的问题来准确地预测用户下一个可能会询问的问题,得到第四问题信息,后续可以根据第四问题信息来生成对应的答案信息,该实施例进一步地缩短用户查找答案的时间,进一步地保证用户的体验效果较好,进而进一步地解决了现有技术中智能助手无法为测试工程师提供准确的问题。
具体地,第二确定模型可以为意图识别模型,将测试相关技术问题按语料进行分类,形成知识库,并基于知识库训练意图识别模型,意图识别模型中的组织形式为一级领域和二级意图,一级领域是大类业务问题,二级意图是一级领域内的细分意图,这样可以根据意图识别模型来确定第四问题信息,进而保证了可以准确地预测用户下一个要询问的问题,进而可以为其提供对应的答案信息。
本申请的再一种实施例中,根据上述问题信息,生成对应的答案信息,包括:对上述问题信息进行文本处理,得到第一处理信息;对上述第一处理信息进行分词处理,得到第二处理信息;对上述第二处理信息进行分类处理,得到上述答案信息。该实施例中,通过对问题信息进行多次处理,可以得到准确的答案信息,该实施例可以为用户提供准确的回答,进一步地缩短用户查找答案的时间,进一步地保证用户的体验效果较好。
一种具体的实施例中,对问题信息进行文本处理可以为去敏感词处理、去特殊字符处理、去停用词处理、全角转半角处理、大小转小写处理以及同义词替换处理。
本申请的又一种实施例中,对上述第一处理信息进行分词处理,得到第二处理信息,包括:根据结巴分词技术对上述第一处理信息进行分词处理;对经过分词处理后的上述第一处理信息进行词序处理,得到上述第二处理信息。该实施例中,通过对第一处理信息进行分词处理以及词序处理,可以得到准确地第二处理信息,后续可以根据第二处理信息更准确地得到答案信息。
本申请的另一种实施例中,对上述第二处理信息进行分类处理,得到上述答案信息,包括:获取上述第二处理信息的置信度;在上述第二处理信息的上述置信度处于第一预定置信度区间的情况下,确定第一答案信息,上述第一答案信息为一个上述问题信息对应的问题的答案的信息;在上述第二处理信息的上述置信度处于第二预定置信度区间的情况下,确定第二答案信息,上述第二答案信息为预定个数的上述问题信息对应的答案的多个信息;在上述第二处理信息的上述置信度处于第三预定置信度区间的情况下,确定第三答案信息,上述第三答案信息为不回答问题的信息,其中,上述第一预定置信度区间的最小值大于上述第二预定置信度区间的最大值,上述第二预定置信度区间的最小值大于上述第三预定置信度区间的最大值。该实施例中,在第二处理信息的置信度处于第一预定置信度区间时,表征此时已经精准地识别意图,此时得到一个准确的第一答案信息,在第二处理信息的置信度处于第二预定置信度区间时,表征此时并不没有精准地识别意图,确定第二答案信息,第二答案信息中包括了多个问题的多个答案信息,可以供用户选择,在第一处理信息的置信度处于第三预定置信度区间时,表征此时可能用户是在和其他人聊天,此时不做回答,该实施例中,可以为用户更准确地提供答案信息,进一步地保证用户的体验效果较好。
需要说明的是,第一预定置信度区间可以为0.85~1,第二预定置信度区间可以为0.6~0.84,第三预定置信度区间可以为0~0.59,当然并不限于以上的方案,本领域技术人员可以根据需要设置合适的第一预定置信度区间、第二预定置信度区间和第三预定置信度区间,预定个数可以为5个,还可以为10个,本领域技术人员可以根据需要设置合适的预定个数。
具体地,一种实施例中,在第二处理信息的置信度区间处于第三预定置信度区间时,还可以判断第二处理信息对应的问题是否为聊天话题,如果不是聊天话题,则不作回答,可以向用户提示“不好意思,小智不太理解这个问题,请您换一种问法”,如果是聊天话题,可以根据预先设置好的正则表达式在聊天话题里作匹配,选择合适的答案。
为了后续问题的统计和模型优化使用,本申请的一种实施例中,上述方法还包括:存储热点问题;存储测试用例;统计用户满意度;统计用户自行回答的问题;统计用户评价为不满意的问题。该实施例中,通过存储热点问题后续可以更快速地得到对应的问题信息,通过存储测试用例可以更为快速且准确地得到对应的问题信息,用户满意度为计算智能助手的回答的准确率,准确率为答复满意问题人次与总问题人次的商,统计用户自行回答的问题为可以选择用户在确定问题信息后自行回答的问题,以此作为标准问题的答案,作为新增语料供后续模型训练使用,统计用户评价为不满意的成为可供后续人工分析,对于业务问题,则给出相关正确标准问题信息以及答案信息作为新增语料后续可以供模型训练,对于闲聊问题,则将问题加入闲聊库,配置相应的正则表达式。
本申请实施例还提供了一种测试问题的问答的装置,需要说明的是,本申请实施例的测试问题的问答的装置可以用于执行本申请实施例所提供的用于测试问题的问答的方法。以下对本申请实施例提供的测试问题的问答的装置进行介绍。
图2是根据本申请实施例的测试问题的问答的装置的示意图。如图2所示,该装置包括:
获取单元10,用于获取测试工作的执行状态,上述执行状态至少包括未开始状态、已开始且未结束状态或已结束状态;
确定单元20,用于根据上述执行状态,确定对应的问题信息;
生成单元30,用于根据上述问题信息,生成对应的答案信息。
上述的装置中,获取单元获取测试工作的执行状态,确定单元根据执行状态,确定对应的问题信息,生成单元根据问题信息,生成对应的答案信息。该装置中,可以根据测试工作的不同的执行状态,确定对应的问题信息,这样可以准确地确定测试工程师在进行测试工作的过程中的所有的问题信息,进而根据得到的问题信息,来准确地生成答案信息,以此来为测试工程师提供的咨询和辅导,从而解决了现有技术中智能助手无法为测试工程师提供准确的问题,该方案可以帮助用户快速学习测试技术,缩短用户查找答案的时间,为用户提供了良好的体验,进而提高了至少部分测试工作的效率。
本申请的一种实施例中,在上述执行状态为上述未开始状态的情况下,确定单元包括第一确定模块和第二确定模块,第一确定模块用于确定是否存在热点问题,上述热点问题为操作日志中出现次数为预定次数的问题,上述操作日志为上述测试工作过程中记录的日志;第二确定模块用于在存在上述热点问题的情况下,确定上述热点问题对应的信息为第一问题信息。该实施例中,可以将热点问题对应的信息确定为第一问题信息,后续可以根据第一问题信息来生成对应的答案信息,该实施例是在测试开始前确定用户的热点问题的,可以为用户推荐热点问题,这样用户在测试工作开始前,可以得到热点问题,进一步地缩短用户查找答案的时间,进而可以根据热点问题来生成的答案信息来进行学习,进一步地保证用户的体验效果较好,该实施例进一步地解决了现有技术中智能助手无法为测试工程师提供准确的问题。
需要说明的是,预定次数可以为10次,还可以为50次,还可以为100次,当然,并不限于上述的几种,本领域技术人员可以根据实际情况选择合适的预定次数。
本申请的再一种实施例中,第一确定模块包括第一获取子模块、第一确定子模块、排序子模块和第二确定子模块,第一获取子模块用于获取第一问题,上述第一问题为上述操作日志中的全部问题;第一确定子模块用于将上述第一问题进行分类,确定多个问题簇;排序子模块用于对多个上述问题簇进行排序,得到至少两个预定问题簇;第二确定子模块用于确定上述预定问题簇中是否存在上述热点问题,上述热点问题为上述预定问题簇中出现次数大于预定次数的问题。该实施例中,通过对第一问题进行分类,可以得到多个不同类型的问题簇,进而对问题簇进行排序,问题簇中包括问题较多的排序在前或者在后,这样可以保证确定热点问题的速度较快,该实施例可以得到准确的热点问题。
本申请的又一种实施例中,在上述执行状态为上述已开始且未结束状态的情况下,确定单元包括第一获取模块和第三确定模块,第一获取模块用于获取测试用例信息;第三确定模块用于根据上述测试用例信息,确定第二问题信息,上述第二问题信息为预测用户会询问的问题的信息。该实施例中,根据测试用例来可以准确地预测用户可能会询问的问题,得到第二问题信息,后续可以根据第二问题信息来生成对应的答案信息,该实施例进一步地缩短用户查找答案的时间,进一步地保证用户的体验效果较好,进而进一步地解决了现有技术中智能助手无法为测试工程师提供准确的问题。
本申请的另一种实施例中,上述测试用例信息至少包括历史测试用例信息和当前测试用例信息,第三确定模块包括转换子模块和第三确定子模块,转换子模块用于将上述历史测试用例信息和上述当前测试用例信息分别转换成第一词序列和第二词序列;第三确定子模块用于使用第一确定模型对上述测试用例信息进行分析,确定上述第二问题信息,其中,上述第一确定模型为使用多组数据通过机器学习训练出的,上述多组数据中的每组数据至少包括:上述历史测试用例信息、上述当前测试用例信息、上述历史测试用例信息对应的上述第一词序列以及上述当前测试用例信息对应的上述第二词序列。该实施例中,根据第一确定模型可以更准确地确定第二问题信息,可以进一步地保证预测的用户可能会问询的问题的信息较为准确。
一种具体的实施例中,可以将历史测试用例信息和当前测试用例信息进行特殊符号过滤、去停用词、同义词替换、特殊数字处理和分词等处理,得到词表,再进行转换,得到第一词序列和第二词序列,在转换过程中,如果这个单词存在于词表里,则确定第一词序列和/或第二词序列为词表里对应的单词的词序,如果不存在,则确定第一词序列和/或第二词序列为0,更为具体的,将历史测试用例信息、当前测试用例信息、历史测试用例信息对应的第一词序列以及当前测试用例信息对应的第二词序列作为多组数据,输入至神经网络模型中,神经网络模型对多组数据进行学习和训练,再采用神经网络模型对测试用例信息进行分析,可以确定第二问题信息;例如,当定义的序列为30位时,历史测试用例信息为“用户手机号注册”,经过一系列处理之后,得到【“用户”,“手机号”,“注册”】,将其进行转换,得到的第一词序列为【23,58,112】,后面的不足30位的将由0补足,最后得到的第一词序列为【23,58,112,0,0,0,0,0,……,0】,当前测试用例信息为“用户以手机号登录,密码输入正确”,经过一系列处理之后,得到【“用户”,“手机号”,“登录”,“密码”,“输入”,“正确”】,将其进行转换,得到第二词序列为【23,58,63,41,33,0,0,0,0,……,0】,当前测试用例信息为“用户个人设置”,经过一系列处理之后,得到【“用户”,“个人”,“设置”】,将其进行转换,得到第二词序列【23,38,92,0,0,0,0,……,0】,后续当获取到测试用例信息中又包括了“用户”、“手机号”或者“注册”等信息时,神经网络模型可以较为快速地对测试用例信息进行分析,可以较为快速且准确地确定第二问题信息。
具体地,上述的实施例中所采用的神经网络模型为现有技术任何可行的模型,本领域技术人员可以选择合适的神经网络模型来对测试用例信息进行分析,确定第二问题信息。
更为具体地,所采用的神经网络模型中包括嵌入层、双向长短时记忆网层、注意力机制层和其他的用以分析处理的网层,对于不同的神经网络模型,其层次结构不同,本方案对于所采用的神经网络模型不做限定,采用神经网络模型对输入的数据进行学习,双向长短时记忆网层可以将输入的数据中不同的数据进行求和,输入至注意力机制层,注意力机制层将数据进行非线性转换以及归一化处理,可以通过tanh函数做非线性转换,之后再采用其他的层来对数据进行处理,可以采用现有技术中任何可行的神经网络模型来进行训练和学习。
本申请的一种具体的实施例中,在上述执行状态为上述已结束状态的情况下,确定单元包括第二获取模块、转换模块和第三确定模块,第二获取模块用于获取第三问题信息,上述第三问题信息为用户已经询问过的至少一个问题的信息;转换模块用于将上述第三问题信息转换成第三词序列;第三确定模块用于使用第二确定模型对上述第三问题信息进行分析,确定第四问题信息,上述第四问题信息为预测用户下一个会询问的问题的信息,其中,上述第二确定模型为使用多组数据通过机器学习训练出的,上述多组数据中的每组数据至少包括:上述第三问题信息以及上述第三问题信息对应的上述第三词序列。该实施例中,在测试工作已经结束的情况下,可以根据用户之前提问过的问题来准确地预测用户下一个可能会询问的问题,得到第四问题信息,后续可以根据第四问题信息来生成对应的答案信息,该实施例进一步地缩短用户查找答案的时间,进一步地保证用户的体验效果较好,进而进一步地解决了现有技术中智能助手无法为测试工程师提供准确的问题。
具体地,第二确定模型可以为意图识别模型,将测试相关技术问题按语料进行分类,形成知识库,并基于知识库训练意图识别模型,意图识别模型中的组织形式为一级领域和二级意图,一级领域是大类业务问题,二级意图是一级领域内的细分意图,这样可以根据意图识别模型来确定第四问题信息,进而保证了可以准确地预测用户下一个要询问的问题,进而可以为其提供对应的答案信息。
本申请的再一种实施例中,生成单元包括第一处理模块、第二处理模块和第三处理模块,第一处理模块用于对上述问题信息进行文本处理,得到第一处理信息;第二处理模块用于对上述第一处理信息进行分词处理,得到第二处理信息;第三处理模块用于对上述第二处理信息进行分类处理,得到上述答案信息。该实施例中,通过对问题信息进行多次处理,可以得到准确的答案信息,该实施例可以为用户提供准确的回答,进一步地缩短用户查找答案的时间,进一步地保证用户的体验效果较好。
一种具体的实施例中,对问题信息进行文本处理可以为去敏感词处理、去特殊字符处理、去停用词处理、全角转半角处理、大小转小写处理以及同义词替换处理。
本申请的又一种实施例中,第二处理模块包括第一处理子模块和第二处理子模块,第一处理子模块用于根据结巴分词技术对上述第一处理信息进行分词处理;第二处理子模块用于对经过分词处理后的上述第一处理信息进行词序处理,得到上述第二处理信息。该实施例中,通过对第一处理信息进行分词处理以及词序处理,可以得到准确地第二处理信息,后续可以根据第二处理信息更准确地得到答案信息。
本申请的另一种实施例中,第三处理模块包括第二获取子模块、第四确定子模块、第五确定子模块和第六确定子模块,第二获取子模块用于获取上述第二处理信息的置信度;第四确定子模块用于在上述第二处理信息的上述置信度处于第一预定置信度区间的情况下,确定第一答案信息,上述第一答案信息为一个上述问题信息对应的问题的答案的信息;第五确定子模块用于在上述第二处理信息的上述置信度处于第二预定置信度区间的情况下,确定第二答案信息,上述第二答案信息为预定个数的上述问题信息对应的答案的多个信息;第六确定子模块用于在上述第二处理信息的上述置信度处于第三预定置信度区间的情况下,确定第三答案信息,上述第三答案信息为不回答问题的信息,其中,上述第一预定置信度区间的最小值大于上述第二预定置信度区间的最大值,上述第二预定置信度区间的最小值大于上述第三预定置信度区间的最大值。该实施例中,在第二处理信息的置信度处于第一预定置信度区间时,表征此时已经精准地识别意图,此时得到一个准确的第一答案信息,在第二处理信息的置信度处于第二预定置信度区间时,表征此时并不没有精准地识别意图,确定第二答案信息,第二答案信息中包括了多个问题的多个答案信息,可以供用户选择,在第一处理信息的置信度处于第三预定置信度区间时,表征此时可能用户是在和其他人聊天,此时不做回答,该实施例中,可以为用户更准确地提供答案信息,进一步地保证用户的体验效果较好。
需要说明的是,第一预定置信度区间可以为0.85~1,第二预定置信度区间可以为0.6~0.84,第三预定置信度区间可以为0~0.59,当然并不限于以上的方案,本领域技术人员可以根据需要设置合适的第一预定置信度区间、第二预定置信度区间和第三预定置信度区间,预定个数可以为5个,还可以为10个,本领域技术人员可以根据需要设置合适的预定个数。
具体地,一种实施例中,在第二处理信息的置信度区间处于第三预定置信度区间时,还可以判断第二处理信息对应的问题是否为聊天话题,如果不是聊天话题,则不作回答,可以向用户提示“不好意思,小智不太理解这个问题,请您换一种问法”,如果是聊天话题,可以根据预先设置好的正则表达式在聊天话题里作匹配,选择合适的答案。
为了后续问题的统计和模型优化使用,本申请的一种实施例中,上述装置还包括第一存储单元、第二存储单元、第一统计单元、第二统计单元和第三统计单元,第一存储单元用于存储热点问题;第二存储单元用于存储测试用例;第一统计单元用于统计用户满意度;第二统计单元同于统计用户自行回答的问题;第三统计单元用于统计用户评价为不满意的问题。该实施例中,通过存储热点问题后续可以更快速地得到对应的问题信息,通过存储测试用例可以更为快速且准确地得到对应的问题信息,用户满意度为计算智能助手的回答的准确率,准确率为答复满意问题人次与总问题人次的商,统计用户自行回答的问题为可以选择用户在确定问题信息后自行回答的问题,以此作为标准问题的答案,作为新增语料供后续模型训练使用,统计用户评价为不满意的成为可供后续人工分析,对于业务问题,则给出相关正确标准问题信息以及答案信息作为新增语料后续可以供模型训练,对于闲聊问题,则将问题加入闲聊库,配置相应的正则表达式。
上述测试问题的问答的装置包括处理器和存储器,上述获取单元、确定单元和生成单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来为测试工程师提供准确的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述测试问题的问答的方法。
本发明实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述测试问题的问答的方法。
为了本领域技术人员能够更加清楚地了解本申请的技术方案,以下将结合具体的实施例来说明本申请的技术方案和技术效果。
实施例
如图3所示,在测试开始前,推荐热点问题;
在测试中,预测问题,得到问题信息,对问题信息进行文本处理、分词处理以及分类处理,生成对应的答案信息;
文本处理包括:去敏感词处理、去特殊字符处理、去停用词处理、全角转半角处理、大小转小写处理以及同义词替换处理;
分词处理包括:通过结巴分词技术进行分词处理,再对词序处理;
分类处理包括:获取问题的置信度,在问题的置信度处于第一预定置信度区间的情况下,直接回答问题;在问题的置信度处于第二预定置信度区间的情况下,按照置信度高低给出问题列表,获取用户选择的问题,回答问题;在问题的置信度处于第三预定置信度区间的情况下,判断是否为聊天话题,如果不是聊天话题,拒绝回答,如果是聊天话题,根据设置的正则表达式进行聊天;
在测试后,预测用户可能还会询问的问题。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:
步骤S101,获取测试工作的执行状态,上述执行状态至少包括未开始状态、已开始且未结束状态或已结束状态;
步骤S102,根据上述执行状态,确定对应的问题信息;
步骤S103,根据上述问题信息,生成对应的答案信息。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:
步骤S101,获取测试工作的执行状态,上述执行状态至少包括未开始状态、已开始且未结束状态或已结束状态;
步骤S102,根据上述执行状态,确定对应的问题信息;
步骤S103,根据上述问题信息,生成对应的答案信息。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的测试问题的回答的方法,首先获取测试工作的执行状态,之后根据执行状态,确定对应的问题信息,最后根据问题信息,生成对应的答案信息。该方法中,可以根据测试工作的不同的执行状态,确定对应的问题信息,这样可以准确地确定测试工程师在进行测试工作的过程中的所有的问题信息,进而根据得到的问题信息,来准确地生成答案信息,以此来为测试工程师提供的咨询和辅导,从而解决了现有技术中智能助手无法为测试工程师提供准确的问题,该方案可以帮助用户快速学习测试技术,缩短用户查找答案的时间,为用户提供了良好的体验,进而提高了至少部分测试工作的效率。
2)、本申请的测试问题回答的装置,获取单元获取测试工作的执行状态,确定单元根据执行状态,确定对应的问题信息,生成单元根据问题信息,生成对应的答案信息。该装置中,可以根据测试工作的不同的执行状态,确定对应的问题信息,这样可以准确地确定测试工程师在进行测试工作的过程中的所有的问题信息,进而根据得到的问题信息,来准确地生成答案信息,以此来为测试工程师提供的咨询和辅导,从而解决了现有技术中智能助手无法为测试工程师提供准确的问题,该方案可以帮助用户快速学习测试技术,缩短用户查找答案的时间,为用户提供了良好的体验,进而提高了至少部分测试工作的效率。
以上上述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种测试问题的问答的方法,其特征在于,包括:
获取测试工作的执行状态,所述执行状态至少包括未开始状态、已开始且未结束状态或已结束状态;
根据所述执行状态,确定对应的问题信息;
根据所述问题信息,生成对应的答案信息。
2.根据权利要求1所述的方法,其特征在于,在所述执行状态为所述未开始状态的情况下,根据所述执行状态,确定对应的问题信息,包括:
确定是否存在热点问题,所述热点问题为操作日志中出现次数为预定次数的问题,所述操作日志为所述测试工作过程中记录的日志;
在存在所述热点问题的情况下,确定所述热点问题对应的信息为第一问题信息。
3.根据权利要求2所述的方法,其特征在于,确定是否存在热点问题,包括:
获取第一问题,所述第一问题为所述操作日志中的全部问题;
将所述第一问题进行分类,确定多个问题簇;
对多个所述问题簇进行排序,得到至少两个预定问题簇;
确定所述预定问题簇中是否存在所述热点问题,所述热点问题为所述预定问题簇中出现次数大于预定次数的问题。
4.根据权利要求1所述的方法,其特征在于,在所述执行状态为所述已开始且未结束状态的情况下,根据所述执行状态,确定对应的问题信息,包括:
获取测试用例信息;
根据所述测试用例信息,确定第二问题信息,所述第二问题信息为预测用户会询问的问题的信息。
5.根据权利要求4所述的方法,其特征在于,所述测试用例信息至少包括历史测试用例信息和当前测试用例信息,根据所述测试用例信息,确定第二问题信息,包括:
将所述历史测试用例信息和所述当前测试用例信息分别转换成第一词序列和第二词序列;
使用第一确定模型对所述测试用例信息进行分析,确定所述第二问题信息,其中,所述第一确定模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据至少包括:所述历史测试用例信息、所述当前测试用例信息、所述历史测试用例信息对应的所述第一词序列以及所述当前测试用例信息对应的所述第二词序列。
6.根据权利要求1所述的方法,其特征在于,在所述执行状态为所述已结束状态的情况下,根据所述执行状态,确定对应的问题信息,包括:
获取第三问题信息,所述第三问题信息为用户已经询问过的至少一个问题的信息;
将所述第三问题信息转换成第三词序列;
使用第二确定模型对所述第三问题信息进行分析,确定第四问题信息,所述第四问题信息为预测用户下一个会询问的问题的信息,其中,所述第二确定模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据至少包括:所述第三问题信息以及所述第三问题信息对应的所述第三词序列。
7.根据权利要求1所述的方法,其特征在于,根据所述问题信息,生成对应的答案信息,包括:
对所述问题信息进行文本处理,得到第一处理信息;
对所述第一处理信息进行分词处理,得到第二处理信息;
对所述第二处理信息进行分类处理,得到所述答案信息。
8.根据权利要求7所述的方法,其特征在于,对所述第一处理信息进行分词处理,得到第二处理信息,包括:
根据结巴分词技术对所述第一处理信息进行分词处理;
对经过分词处理后的所述第一处理信息进行词序处理,得到所述第二处理信息。
9.根据权利要求7所述的方法,其特征在于,对所述第二处理信息进行分类处理,得到所述答案信息,包括:
获取所述第二处理信息的置信度;
在所述第二处理信息的所述置信度处于第一预定置信度区间的情况下,确定第一答案信息,所述第一答案信息为一个所述问题信息对应的问题的答案的信息;
在所述第二处理信息的所述置信度处于第二预定置信度区间的情况下,确定第二答案信息,所述第二答案信息为预定个数的所述问题信息对应的答案的多个信息;
在所述第二处理信息的所述置信度处于第三预定置信度区间的情况下,确定第三答案信息,所述第三答案信息为不回答问题的信息,其中,所述第一预定置信度区间的最小值大于所述第二预定置信度区间的最大值,所述第二预定置信度区间的最小值大于所述第三预定置信度区间的最大值。
10.一种测试问题的问答的装置,其特征在于,包括:
获取单元,用于获取测试工作的执行状态,所述执行状态至少包括未开始状态、已开始且未结束状态或已结束状态;
确定单元,用于根据所述执行状态,确定对应的问题信息;
生成单元,用于根据所述问题信息,生成对应的答案信息。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,所述程序执行权利要求1至9中任意一项所述的方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667743.4A CN113515609A (zh) | 2021-06-16 | 2021-06-16 | 测试问题的问答的方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667743.4A CN113515609A (zh) | 2021-06-16 | 2021-06-16 | 测试问题的问答的方法、装置和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113515609A true CN113515609A (zh) | 2021-10-19 |
Family
ID=78065616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667743.4A Pending CN113515609A (zh) | 2021-06-16 | 2021-06-16 | 测试问题的问答的方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113515609A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877334A (zh) * | 2018-06-12 | 2018-11-23 | 广东小天才科技有限公司 | 一种语音搜题方法及电子设备 |
CN112214591A (zh) * | 2020-10-29 | 2021-01-12 | 腾讯科技(深圳)有限公司 | 一种对话预测的方法及装置 |
US20210011934A1 (en) * | 2019-07-12 | 2021-01-14 | International Business Machines Corporation | Efficient corpus search and annotation management for a question answering system |
CN112487140A (zh) * | 2020-11-27 | 2021-03-12 | 平安科技(深圳)有限公司 | 问答对话评测方法、装置、设备及存储介质 |
-
2021
- 2021-06-16 CN CN202110667743.4A patent/CN113515609A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877334A (zh) * | 2018-06-12 | 2018-11-23 | 广东小天才科技有限公司 | 一种语音搜题方法及电子设备 |
US20210011934A1 (en) * | 2019-07-12 | 2021-01-14 | International Business Machines Corporation | Efficient corpus search and annotation management for a question answering system |
CN112214591A (zh) * | 2020-10-29 | 2021-01-12 | 腾讯科技(深圳)有限公司 | 一种对话预测的方法及装置 |
CN112487140A (zh) * | 2020-11-27 | 2021-03-12 | 平安科技(深圳)有限公司 | 问答对话评测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110196901B (zh) | 对话系统的构建方法、装置、计算机设备和存储介质 | |
CN107329967B (zh) | 基于深度学习的问答系统以及方法 | |
CN112346567B (zh) | 基于ai的虚拟交互模型生成方法、装置及计算机设备 | |
WO2020062006A1 (en) | Intent and context-aware dialogue based virtual assistance | |
CN109871439B (zh) | 一种基于深度学习的问答社区问题路由方法 | |
CN109766421A (zh) | 智能问答系统以及方法 | |
CN105868179A (zh) | 一种智能问答方法及装置 | |
CN109145301B (zh) | 信息分类方法及装置、计算机可读存储介质 | |
CN113297365B (zh) | 一种用户意向判定方法、装置、设备及存储介质 | |
CN114757176A (zh) | 一种获取目标意图识别模型的方法以及意图识别方法 | |
CN117493529B (zh) | 基于自然语言模型的拟人对话方法、装置及电子设备 | |
Maddumage et al. | Intelligent recruitment system | |
CN113627194B (zh) | 信息抽取方法及装置、通信消息分类方法及装置 | |
CN111444729A (zh) | 信息处理的方法、装置、设备及可读存储介质 | |
Lone et al. | Self-learning chatbots using reinforcement learning | |
CN114186040A (zh) | 一种智能机器人客服的运作方法 | |
CN117216229A (zh) | 一种生成客服答案的方法及装置 | |
CN116956068A (zh) | 基于规则引擎的意图识别方法、装置、电子设备及介质 | |
CN113515609A (zh) | 测试问题的问答的方法、装置和计算机可读存储介质 | |
CN115934904A (zh) | 文本处理方法以及装置 | |
El Azhari et al. | An evolutive knowledge base for “AskBot” toward inclusive and smart learning-based NLP techniques | |
CN115248843A (zh) | 辅助生成笔录的方法、装置和笔录生成系统 | |
Alahmed et al. | “How Does ChatGPT Work” Examining Functionality To The Creative AI CHATGPT on X's (Twitter) Platform | |
CN115408500A (zh) | 问答一致性的评估方法、装置、电子设备及介质 | |
CN111881266B (zh) | 一种应答方法及装置 |
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 |