CN113609020A - 一种测试用例推荐方法及装置 - Google Patents
一种测试用例推荐方法及装置 Download PDFInfo
- Publication number
- CN113609020A CN113609020A CN202110909217.4A CN202110909217A CN113609020A CN 113609020 A CN113609020 A CN 113609020A CN 202110909217 A CN202110909217 A CN 202110909217A CN 113609020 A CN113609020 A CN 113609020A
- Authority
- CN
- China
- Prior art keywords
- test case
- test
- service
- case
- service characteristic
- 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
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
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- 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
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种测试用例推荐方法及装置,其中方法包括以下步骤:根据代码差异从测试用例知识库中提取对应的测试用例集,所述测试用例知识库包括多个测试用例,每个测试用例包括业务路径和用例描述;根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集中每个测试用例对应的加权业务特征向量;根据聚类算法对所述加权业务特征向量进行聚类,得到多个测试用例簇;根据所述用例描述和预设规则从每一所述测试用例簇中选择代表测试用例,根据各代表测试用例确定推荐的测试用例集。根据本发明得到的测试用例集能同样满足测试要求,其测试用例的数量相对于基于代码差异直接提取的测试用例集大大减少,能够大幅提高回归测试的效率。
Description
技术领域
本发明涉及软件测试技术领域,尤其是涉及一种测试用例推荐方法及装置。
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组成部分,在软件测试过程中占有很大的比重,软件开发的各个阶段都需进行多次回归测试。
回归测试理论上应该在代码变化后执行先前的所有测试用例,但为了提高回归测试效率,通常是在代码变化后有选择性地执行变化前的测试用例,即仅选择与代码变化部分相关联的测试用例进行回归测试。
在进行回归测试时,如何从测试用例集中选取合适的测试用例,以使得在满足回归测试要求的同时,尽量减少乃至消除重复测试或无效测试,是目前需要解决的主要问题。因此,在满足回归测试要求的同时如何选择尽可能少的测试用例进行回归测试是急需解决的问题。
发明内容
本发明的目的是提供一种测试用例推荐方法及装置,以解决在满足回归测试要求的同时如何选择尽可能少的测试用例进行回归测试的技术问题。
本发明的目的,可以通过如下技术方案实现:
一种测试用例推荐方法,包括以下步骤:
根据代码差异从测试用例知识库中提取对应的测试用例集,所述测试用例知识库包括多个测试用例,每个测试用例包括业务路径和用例描述;
根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集中每个测试用例对应的加权业务特征向量;
根据聚类算法对所述加权业务特征向量进行聚类,得到多个测试用例簇;
根据所述用例描述和预设规则从每一所述测试用例簇中选择代表测试用例,根据各代表测试用例确定推荐的测试用例集。
可选地,根据代码差异从测试用例知识库中提取对应的测试用例集前还包括:
获取待测程序的迭代后版本与迭代前版本之间的代码差异。
可选地,根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集中每个测试用例对应的加权业务特征向量包括:
根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集对应的业务特征集;
根据所述业务特征集得到所述测试用例集中每个测试用例对应的业务特征向量;
计算每个所述业务特征向量中各业务特征的权重,对所述业务特征向量中的各业务特征赋予相应的权重,得到所述测试用例集中每个测试用例对应的加权业务特征向量。
可选地,根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集对应的业务特征集包括:
对所述测试用例集中每个测试用例的业务路径进行特征提取,得到所述测试用例集中每个测试用例对应的业务特征值;
对各个所述业务特征值进行组合,得到所述测试用例集对应的业务特征集。
可选地,根据所述业务特征集得到所述测试用例集中每个测试用例对应的业务特征向量包括:
将所述测试用例集中每个测试用例对应的业务特征值在所述业务特征集进行投影,得到所述测试用例集中每个测试用例对应的业务特征向量。
可选地,根据所述用例描述和预设规则从每一所述测试用例簇中选择代表测试用例,根据各代表测试用例确定推荐的测试用例集包括:
根据TF-IDF算法及测试用例的用例描述,确定所述测试用例簇中每个测试用例的关键字的权值,及每个测试用例的优先级的权值;
将每个测试用例的关键字的权值与测试用例的优先级的权值相加,得到测试用例的总权值;
选择每个所述测试用例簇中总权值最大的测试用例作为代表测试用例,将各代表测试用例加入到推荐的测试用例集中。
本发明还提供了一种测试用例推荐装置,包括:
测试用例提取模块,用于根据代码差异从测试用例知识库中提取对应的测试用例集,所述测试用例知识库包括多个测试用例,每个测试用例包括业务路径和用例描述;
业务特征确定模块,用于根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集中每个测试用例对应的加权业务特征向量;
测试用例聚类模块,用于根据聚类算法对所述加权业务特征向量进行聚类,得到多个测试用例簇;
推荐测试用例确定模块,用于根据所述用例描述和预设规则从每一所述测试用例簇中选择代表测试用例,根据各代表测试用例确定推荐的测试用例集。
可选地,还包括:
代码差异获取模块,用于获取待测程序的迭代后版本与迭代前版本之间的代码差异。
可选地,所述业务特征确定模块包括:
业务特征集确定单元,用于根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集对应的业务特征集;
业务特征向量确定单元,根据所述业务特征集得到所述测试用例集中每个测试用例对应的业务特征向量;
加权业务特征向量确定单元,用于计算每个所述业务特征向量中各业务特征的权重,对所述业务特征向量中的各业务特征赋予相应的权重,得到所述测试用例集中每个测试用例对应的加权业务特征向量。
可选地,所述推荐测试用例确定模块包括:
关键字及优先级权值确定单元,用于根据TF-IDF算法及测试用例的用例描述,确定所述测试用例簇中每个测试用例的关键字的权值,及每个测试用例的优先级的权值;
总权值确定单元,用于将每个测试用例的关键字的权值与测试用例的优先级的权值相加,得到测试用例的总权值;
推荐的测试用例集确定单元,用于选择每个所述测试用例簇中总权值最大的测试用例作为代表测试用例,将各代表测试用例加入到推荐的测试用例集中。
本发明提供了一种测试用例推荐方法及装置,其中方法包括:根据代码差异从测试用例知识库中提取对应的测试用例集,所述测试用例知识库包括多个测试用例,每个测试用例包括业务路径和用例描述;根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集中每个测试用例对应的加权业务特征向量;根据聚类算法对所述加权业务特征向量进行聚类,得到多个测试用例簇;根据所述用例描述和预设规则从每一所述测试用例簇中选择代表测试用例,根据各代表测试用例确定推荐的测试用例集。
有鉴于此,本发明带来的有益效果是:
本发明的测试用例知识库中存储了测试用例的业务路径和用例描述,提取出于代码差异对应的测试用例集以后,根据测试用例集中每个测试用例的业务路径得到每个测试用例对应的加权业务特征向量,基于加权业务特征向量集对测试用例集中的测试用例进行聚类,能够得到业务路径相似的测试用例簇,从测试用例簇中选择满足预设条件的测试用例作为类簇的代表用例组成推荐的测试用例集。本发明得到的推荐的测试用例集能同样满足测试要求,其测试用例的数量相对于基于代码差异直接提取的测试用例集大大减少,能够大幅提高回归测试的效率。
附图说明
图1为本发明的方法流程示意图;
图2为本发明的树状结构的业务路径的构建过程示意图;
图3为本发明的装置结构示意图。
具体实施方式
本发明实施例提供了一种测试用例推荐方法及装置,以解决在满足回归测试要求的同时如何选择尽可能少的测试用例进行回归测试的技术问题。
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,以下为本发明一种测试用例推荐方法的实施例,包括:
S100:根据代码差异从测试用例知识库中提取对应的测试用例集,所述测试用例知识库包括多个测试用例,每个测试用例包括业务路径和用例描述;
S200:根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集中每个测试用例对应的加权业务特征向量;
S300:根据聚类算法对所述加权业务特征向量进行聚类,得到多个测试用例簇;
S400:根据所述用例描述和预设规则从每一所述测试用例簇中选择代表测试用例,根据各代表测试用例确定推荐的测试用例集。
本实施例中的测试用例是针对待测程序的业务需求数据生成的,每个测试用例都有与业务需求数据对应的业务逻辑。提取业务逻辑上每个节点的业务特征,根据业务特征确定每个节点之间的关联关系,根据关联关系,构建测试用例的业务路径。本实施例中,测试用例知识库中包括多个测试用例,每个测试用例包括业务路径和详细的用例描述,可以理解,测试用例知识库中存储了每个测试用例的业务路径和用例描述。
请参阅图2,建立树状结构的业务路径的过程为:
首先,利用人工生成的测试用例集进行功能测试,例如利用功能1测试用例和功能2测试用例进行功能测试,该测试用例集不存在业务关系或者业务关系不符合测试用例知识库的业务组织架构(实践中大部分是这种情况)。
功能测试完成以后,通过人工的业务逻辑整理,查看该测试用例的功能是否属于测试用例知识库中已有的业务组织架构。例如,若已存在“主评论模块”这个业务执行节点,则将存在业务关系的测试用例“头像avatarUrl”存放在“主评论模块”里;若不存在“主评论模块”这个业务执行节点,则调整测试用例知识库的业务路径,在业务路径上增加“主评论模块”的执行节点,并将“头像avatarUrl”这个存在业务关系的测试用例添加到“主评论模块”里。
可以理解的是,测试用例的业务路径是所有业务逻辑上节点的集合,测试用例的业务路径是树状结构,树状结构中的每个叶子节点就是一个测试用例,该测试用例包含两部分:业务路径和详细的用例描述。
以下为一个测试用例详细的用例描述:
优先级:重要;
摘要:需求wiki:http://xxxxx;
接口wiki:http://xxx;
前置条件:
1、商品有可用优惠券;
执行步骤:
1、购物车,点击优惠券入口;
2、选中优惠券,选择多张优惠券;
预期结果:1、券传值正确,用券成功。
从上可知,每个测试测试详细的用例描述包括:
优先级、摘要、前置条件、执行步骤和预期结果。
在步骤S100中,根据代码差异在构建的测试用例知识库中召回对应的回归测试用例集。测试用例知识库中包括与待测程序相关的所有测试用例,每个测试用例都包括树状结构的业务路径和详细的用例描述,可以理解的是,回归测试用例集中每个测试用例也有业务路径和用例描述。
在步骤S200中,根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集中每个测试用例对应的加权业务特征向量。
首先,获取所述测试用例集中每个测试用例的业务路径,根据业务路径得到所述测试用例集对应的业务特征集。具体的,对所述测试用例集中每个测试用例的业务路径进行特征提取,得到所述测试用例集中每个测试用例对应的业务特征值;然后,对每个所述业务特征值进行组合,得到所述测试用例集对应的业务特征集。
例如,召回的测试用例集中包括测试用例1和测试用例2这2个测试用例,测试用例1的业务路径为:交易线/购物车/优惠券入口/临期优惠券;测试用例2的业务路径为:选购B/内容/关注tab列表/内容详情/评价组件/主评论模块/头像avatarUrl。
对上述2个测试用例的业务路径进行特征提取,得到测试用例1、测试用例2对应的业务特征值分别为:(交易线,购物车,优惠券入口,临期优惠券)、(选购B,内容,关注tab列表,内容详情,评价组件,主评论模块,头像avatarUrl)。
然后,将上述2个业务特征值进行组合,在组合的过程中,如果存在相同的业务特征,需要去掉重复的业务特征,最终得到测试用例集对应的业务特征集为:(交易线,购物车,优惠券入口,临期优惠券,选购B,内容,关注tab列表,内容详情,评价组件,主评论模块,头像avatarUrl)。
然后,根据所述业务特征集得到所述测试用例集中每个测试用例对应的业务特征向量。具体的,将测试用例集中每个测试用例的业务特征值在业务特征集上进行投影,得到每个测试用例的业务特征向量。
例如,将测试用例1的业务特征值(交易线,购物车,优惠券入口,临期优惠券)在业务特征集(交易线,购物车,优惠券入口,临期优惠券,选购B,内容,关注tab列表,内容详情,评价组件,主评论模块,头像avatarUrl)上进行投影,得到测试用例1的业务特征向量为:(1,1,1,1,0,0,0,0,0,0,0)。利用同样的方法,得到测试用例2的业务特征向量为:(0,0,0,0,1,1,1,1,1,1,1)。
最后,计算每个所述业务特征向量中各业务特征的权重,得到所述测试用例集中每个测试用例对应的加权业务特征向量。具体的,通过逆文档频率IDF(Inverse DocumentFrequency,IDF)算法计算业务特征向量中每个业务特征的权重即IDF值,对所述业务特征向量中的各业务特征赋予相应的权重,得到测试用例集中每个测试用例对应的加权业务特征向量。值得注意的是,本实施例中只需要给业务特征向量中为1中的业务特征赋予其相应的权重。
IDF算法的主要思想是,IDF会给常见的词较小的权重,某个词IDF值得大小与该词的常见程度成反比。例如,业务特征“交易线”为比较常见的词,“交易线”的IDF值就比较小,假设为0.1;而业务特征“优惠券入口”为很少出现的词,“优惠券入口”的IDF值就比较大,假设为0.3。
得到上述两个测试用例即测试用例1、2的加权业务特征向量分别为:(1*0.1,1*0.2,1*0.3,1*0.1,0,0,0,0,0,0,0),(0,0,0,0,1*0.1,1*0.2,1*0.2,1*0.2,1*0.2,1*0.2,1*0.3)。
在步骤S300中,根据聚类算法对所述加权业务特征向量进行聚类,得到多个测试用例簇。
根据测试用例集中每个测试用例对应的加权的业务特征向量,对测试用例集中的测试用例进行聚类。具体的,使用现有的聚类算法例如k-means聚类算法进行聚类。聚类得到的簇的数量N由经验值决定,例如,N为召回测试用例集合中的测试用例个数的50%。具体的,预先设定随机N个测试用例作为N个簇的中心,计算每个测试用例到N个簇中心的欧氏距离,距离中心最短的测试用例归入该中心的簇。经过第一轮计算,形成N个测试用例为中心的聚类。下一轮,获得每个簇的一个中心测试用例,再计算所有测试用例到这N个中心的距离,并重新进行分组。作M次循环后,收敛成N个分组,得到N个簇。
在步骤S400中,根据所述用例描述和预设规则从每一所述测试用例簇中选择代表测试用例,根据各代表测试用例确定推荐的测试用例集。
具体的,对于聚类得到的每个测试用例簇,根据每个测试用例的用例描述,利用jieba分词提取用例描述中“摘要”、“前置条件”、“执行步骤”、“预期结果”中的分词,得到测试用例的分词集合。例如,针对上述测试用例的用例描述,得到的分词集合为:(需求wikihttp://xxxxx,接口wiki http://xxx,购物车,点击,入口,选中,优惠券,选择,多张,用券,成功)。
TF-IDF(term frequency inverse document frequency,词频-逆向文件频率)是一种用于信息检索(information retrieval)与文本挖掘(text mining)的常用加权技术。TF-IDF是一种统计方法,用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。
词频(TF)表示词条(关键字)在文本中出现的频率。
逆向文件频率(IDF):某一特定词语的IDF,可以由总文件数目除以包含该词语的文件的数目,再将得到的商取对数得到。
在每个测试用例簇内,利用TF-IDF算法计算每个测试用例的所有分词的TF-IDF值,选择TF-IDF值最大的分词作为测试用例的关键字,将关键字的TF-IDF值进行归一化处理后作为测试用例的关键字的权值。
确定每个测试用例簇中每个测试用例的优先级的权值。每个测试用例的用例描述中都有优先级,优先级的级别可以为:核心、重要、一般、不重要;为每个测试用例生成归一化的优先级权值,例如,核心为0.5,重要为0.35,一般为0.1,不重要为0.05。
将每个测试用例的关键字的权值和优先级的权值相加,得到每个测试用例的总权值,从每个测试用例簇中选择总权值最大的测试用例作为该簇的代表用例,将每个测试用例簇的代表用例加入到推荐的测试用例集,即推荐的测试用例集由每个测试用例簇的代表用例构成。
本实施例提供的测试用例推荐方法,测试用例知识库中存储了测试用例的业务路径和用例描述,提取出于代码差异对应的测试用例集以后,根据测试用例集中每个测试用例的业务路径得到每个测试用例对应的加权业务特征向量,基于加权业务特征向量集对测试用例集中的测试用例进行聚类,能够得到业务路径相似的测试用例簇,从测试用例簇中选择满足预设条件的测试用例作为类簇的代表用例组成推荐的测试用例集。本发明得到的推荐的测试用例集能同样满足测试要求,其测试用例的数量相对于基于代码差异直接提取的测试用例集大大减少,能够大幅提高回归测试的效率。
请参阅图3,本发明还提供了一种测试用例推荐装置的实施例,包括:
测试用例提取模块,用于根据代码差异从测试用例知识库中提取对应的测试用例集,所述测试用例知识库包括多个测试用例,每个测试用例包括业务路径和用例描述;
业务特征确定模块,用于根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集中每个测试用例对应的加权业务特征向量;
测试用例聚类模块,用于根据聚类算法对所述加权业务特征向量进行聚类,得到多个测试用例簇;
推荐测试用例确定模块,用于根据所述用例描述和预设规则从每一所述测试用例簇中选择代表测试用例,根据各代表测试用例确定推荐的测试用例集。
本实施例提供的测试用例推荐装置,测试用例知识库中存储了测试用例的业务路径和用例描述,提取出于代码差异对应的测试用例集以后,根据测试用例集中每个测试用例的业务路径得到每个测试用例对应的加权业务特征向量,基于加权业务特征向量集对测试用例集中的测试用例进行聚类,能够得到业务路径相似的测试用例簇,从测试用例簇中选择满足预设条件的测试用例作为类簇的代表用例组成推荐的测试用例集。根据本发明提供的测试用例推荐装置得到的推荐的测试用例集,能同样满足测试要求,其测试用例的数量相对于基于代码差异直接提取的测试用例集大大减少,能够大幅提高回归测试的效率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所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网络单元上。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。
所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(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上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。
Claims (10)
1.一种测试用例推荐方法,其特征在于,包括以下步骤:
根据代码差异从测试用例知识库中提取对应的测试用例集,所述测试用例知识库包括多个测试用例,每个测试用例包括业务路径和用例描述;
根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集中每个测试用例对应的加权业务特征向量;
根据聚类算法对所述加权业务特征向量进行聚类,得到多个测试用例簇;
根据所述用例描述和预设规则从每一所述测试用例簇中选择代表测试用例,根据各代表测试用例确定推荐的测试用例集。
2.根据权利要求1所述的测试用例推荐方法,其特征在于,根据代码差异从测试用例知识库中提取对应的测试用例集前还包括:
获取待测程序的迭代后版本与迭代前版本之间的代码差异。
3.根据权利要求1所述的测试用例推荐方法,其特征在于,根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集中每个测试用例对应的加权业务特征向量包括:
根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集对应的业务特征集;
根据所述业务特征集得到所述测试用例集中每个测试用例对应的业务特征向量;
计算每个所述业务特征向量中各业务特征的权重,对所述业务特征向量中的各业务特征赋予相应的权重,得到所述测试用例集中每个测试用例对应的加权业务特征向量。
4.根据权利要求3所述的测试用例推荐方法,其特征在于,根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集对应的业务特征集包括:
对所述测试用例集中每个测试用例的业务路径进行特征提取,得到所述测试用例集中每个测试用例对应的业务特征值;
对各个所述业务特征值进行组合,得到所述测试用例集对应的业务特征集。
5.根据权利要求4所述的测试用例推荐方法,其特征在于,根据所述业务特征集得到所述测试用例集中每个测试用例对应的业务特征向量包括:
将所述测试用例集中每个测试用例对应的业务特征值在所述业务特征集进行投影,得到所述测试用例集中每个测试用例对应的业务特征向量。
6.根据权利要求1所述的测试用例推荐方法,其特征在于,根据所述用例描述和预设规则从每一所述测试用例簇中选择代表测试用例,根据各代表测试用例确定推荐的测试用例集包括:
根据TF-IDF算法及测试用例的用例描述,确定所述测试用例簇中每个测试用例的关键字的权值,及每个测试用例的优先级的权值;
将每个测试用例的关键字的权值与测试用例的优先级的权值相加,得到测试用例的总权值;
选择每个所述测试用例簇中总权值最大的测试用例作为代表测试用例,将各代表测试用例加入到推荐的测试用例集中。
7.一种测试用例推荐装置,其特征在于,包括:
测试用例提取模块,用于根据代码差异从测试用例知识库中提取对应的测试用例集,所述测试用例知识库包括多个测试用例,每个测试用例包括业务路径和用例描述;
业务特征确定模块,用于根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集中每个测试用例对应的加权业务特征向量;
测试用例聚类模块,用于根据聚类算法对所述加权业务特征向量进行聚类,得到多个测试用例簇;
推荐测试用例确定模块,用于根据所述用例描述和预设规则从每一所述测试用例簇中选择代表测试用例,根据各代表测试用例确定推荐的测试用例集。
8.根据权利要求7所述测试用例推荐装置,其特征在于,还包括:
代码差异获取模块,用于获取待测程序的迭代后版本与迭代前版本之间的代码差异。
9.根据权利要求7所述测试用例推荐装置,其特征在于,所述业务特征确定模块包括:
业务特征集确定单元,用于根据所述测试用例集中每个测试用例的业务路径,得到所述测试用例集对应的业务特征集;
业务特征向量确定单元,根据所述业务特征集得到所述测试用例集中每个测试用例对应的业务特征向量;
加权业务特征向量确定单元,用于计算每个所述业务特征向量中各业务特征的权重,对所述业务特征向量中的各业务特征赋予相应的权重,得到所述测试用例集中每个测试用例对应的加权业务特征向量。
10.根据权利要求7所述测试用例推荐装置,其特征在于,所述推荐测试用例确定模块包括:
关键字及优先级权值确定单元,用于根据TF-IDF算法及测试用例的用例描述,确定所述测试用例簇中每个测试用例的关键字的权值,及每个测试用例的优先级的权值;
总权值确定单元,用于将每个测试用例的关键字的权值与测试用例的优先级的权值相加,得到测试用例的总权值;
推荐的测试用例集确定单元,用于选择每个所述测试用例簇中总权值最大的测试用例作为代表测试用例,将各代表测试用例加入到推荐的测试用例集中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110909217.4A CN113609020A (zh) | 2021-08-09 | 2021-08-09 | 一种测试用例推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110909217.4A CN113609020A (zh) | 2021-08-09 | 2021-08-09 | 一种测试用例推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113609020A true CN113609020A (zh) | 2021-11-05 |
Family
ID=78340032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110909217.4A Pending CN113609020A (zh) | 2021-08-09 | 2021-08-09 | 一种测试用例推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609020A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422095A (zh) * | 2022-11-07 | 2022-12-02 | 易方信息科技股份有限公司 | 一种回归测试用例推荐方法、装置、设备及介质 |
CN117194275A (zh) * | 2023-11-03 | 2023-12-08 | 吉贝克信息技术(北京)有限公司 | 基于智能算法的软件自动化测试计划自动生成方法及系统 |
-
2021
- 2021-08-09 CN CN202110909217.4A patent/CN113609020A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422095A (zh) * | 2022-11-07 | 2022-12-02 | 易方信息科技股份有限公司 | 一种回归测试用例推荐方法、装置、设备及介质 |
CN117194275A (zh) * | 2023-11-03 | 2023-12-08 | 吉贝克信息技术(北京)有限公司 | 基于智能算法的软件自动化测试计划自动生成方法及系统 |
CN117194275B (zh) * | 2023-11-03 | 2024-01-26 | 吉贝克信息技术(北京)有限公司 | 基于智能算法的软件自动化测试计划自动生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN110334356A (zh) | 文章质量的确定方法、文章筛选方法、以及相应的装置 | |
CN113609020A (zh) | 一种测试用例推荐方法及装置 | |
CN110555451A (zh) | 信息识别方法和装置 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN111639690A (zh) | 基于关系图谱学习的欺诈分析方法、系统、介质及设备 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN112966081A (zh) | 处理问答信息的方法、装置、设备和存储介质 | |
CN109960719A (zh) | 一种文件处理方法和相关装置 | |
CN112434884A (zh) | 一种供应商分类画像的建立方法及装置 | |
CN108664501B (zh) | 广告审核方法、装置及服务器 | |
CN109684198B (zh) | 待测试数据获取方法、装置、介质、电子设备 | |
CN108470065B (zh) | 一种异常评论文本的确定方法及装置 | |
CN111245815B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN109446322B (zh) | 文本分析方法、装置、电子设备及可读存储介质 | |
CN109857816B (zh) | 测试样本的选取方法及装置、存储介质、电子设备 | |
CN113837843B (zh) | 产品推荐方法、装置、介质及电子设备 | |
CN108205757B (zh) | 电子支付业务合法性的校验方法和装置 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN110309235B (zh) | 一种数据处理方法、装置、设备及介质 | |
CN108711073B (zh) | 用户分析方法、装置及终端 | |
CN110895564A (zh) | 一种潜在客户数据处理方法和装置 |
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 |