CN113704113B - 一种测试报告管理方法、装置、可读存储介质及终端设备 - Google Patents
一种测试报告管理方法、装置、可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN113704113B CN113704113B CN202111007188.9A CN202111007188A CN113704113B CN 113704113 B CN113704113 B CN 113704113B CN 202111007188 A CN202111007188 A CN 202111007188A CN 113704113 B CN113704113 B CN 113704113B
- Authority
- CN
- China
- Prior art keywords
- test
- test report
- team
- configuration information
- report configuration
- 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 544
- 238000007726 management method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 70
- 238000003062 neural network model Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 10
- 230000003993 interaction Effects 0.000 description 9
- 230000002452 interceptive effect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003874 inverse correlation nuclear magnetic resonance spectroscopy Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F11/3684—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
- G06F11/3692—Test management for test results analysis
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于人工智能技术领域，尤其涉及一种测试报告管理方法、装置、计算机可读存储介质及终端设备。所述方法包括：从预设的测试报告配置信息集合中提取测试报告配置信息；从所述测试报告配置信息中提取测试报告生成配置信息，并根据所述测试报告生成配置信息生成测试报告；从所述测试报告配置信息中提取测试报告发送配置信息，并根据所述测试报告发送配置信息发送所述测试报告。通过本发明，以测试报告配置信息的形式来记录不同的测试团队对于测试报告的需求，不同的测试团队可以对应不同的测试报告配置信息，测试报告的生成以及发送均按照测试报告配置信息来执行，可以满足各个测试团队的个性化需求。
Description
技术领域
本发明属于人工智能技术领域，尤其涉及一种测试报告管理方法、装置、计算机可读存储介质及终端设备。
背景技术
在现有的测试过程管理平台中，一般都是按照一个固定的统一要求来执行测试报告的生成以及发送，但是实际上，往往不同的测试团队有不同的需求，这种固化的测试报告管理方式已无法满足各个测试团队的个性化需求。
发明内容
有鉴于此，本发明实施例提供了一种测试报告管理方法、装置、计算机可读存储介质及终端设备，以解决现有的测试报告管理方式无法满足各个测试团队的个性化需求的问题。
本发明实施例的第一方面提供了一种测试报告管理方法，可以包括：
从预设的测试报告配置信息集合中提取测试报告配置信息；
从所述测试报告配置信息中提取测试报告生成配置信息，并根据所述测试报告生成配置信息生成测试报告；
从所述测试报告配置信息中提取测试报告发送配置信息，并根据所述测试报告发送配置信息发送所述测试报告。
在第一方面的一种具体实现方式中，在从预设的测试报告配置信息集合中提取测试报告配置信息之前，所述方法还可以包括：
获取测试报告配置指令，所述测试报告配置指令用于指示对所述测试报告配置信息的新建、删除或更新操作；
提取所述测试报告配置指令中的身份标识信息，并在预设的数据库中查找与所述身份标识信息对应的目标子库；
根据所述测试报告配置指令在所述目标子库中进行测试报告配置信息的新建、删除或更新操作。
在第一方面的一种具体实现方式中，在获取测试报告配置指令之前，所述方法还可以包括：
获取测试报告配置模式选择指令；
提取所述测试报告配置模式选择指令中的模式选择标识位；
若所述模式选择标识位与预设的第一数值相同，则执行预设的基于交互的测试报告配置策略；
若所述模式选择标识位与预设的第二数值相同，则执行预设的基于人工智能匹配的测试报告配置策略。
在第一方面的一种具体实现方式中，所述执行预设的基于人工智能匹配的测试报告配置策略，可以包括：
获取目标测试团队在预设的各个评估维度上的团队信息，所述目标测试团队为与所述测试报告配置模式选择指令中的身份标识信息对应的测试团队；
根据所述目标测试团队在预设的各个评估维度上的团队信息构造所述目标测试团队的特征向量；
将所述目标测试团队的特征向量输入到预先训练好的神经网络模型中进行处理，并获取所述神经网络模型输出的所述目标测试团队的类别；
在各个备选参考测试团队中选取出一个测试团队作为优选参考测试团队，并将所述优选参考测试团队对应的测试报告配置信息确定为所述目标测试团队对应的测试报告配置信息，所述备选参考测试团队为与所述目标测试团队的类别相同的测试团队。
在第一方面的一种具体实现方式中，所述神经网络模型的训练过程可以包括：
构建训练数据集；所述训练数据集中包括若干训练样本，每个训练样本均包括一个测试团队的特征向量和预期输出的类别；
针对所述训练数据集中的每个训练样本，使用所述神经网络模型对该训练样本中的特征向量进行处理，得到实际输出的类别；
根据该训练样本中的预期输出的类别和所述实际输出的类别计算训练损失值；
根据所述训练损失值对所述神经网络模型的模型参数进行调整，直至满足预设的训练条件为止。
在第一方面的一种具体实现方式中，所述构建训练数据集，可以包括：
构造各个参考测试团队的特征向量，所述参考测试团队为已进行过测试报告配置的测试团队；
根据各个参考测试团队的特征向量对各个参考测试团队进行聚类分析，得到各个参考测试团队的类别；
根据各个参考测试团队的特征向量和类别构建所述训练数据集。
在第一方面的一种具体实现方式中，所述在各个备选参考测试团队中选取出一个测试团队作为优选参考测试团队，可以包括：
分别计算各个备选参考测试团队的特征向量与所述目标测试团队的特征向量之间的向量距离；
选取与所述目标测试团队的特征向量之间的向量距离最小的备选参考测试团队作为所述优选参考测试团队。
本发明实施例的第二方面提供了一种测试报告管理装置，可以包括：
配置信息提取模块，用于从预设的测试报告配置信息集合中提取测试报告配置信息；
生成配置信息提取模块，用于从所述测试报告配置信息中提取测试报告生成配置信息，并根据所述测试报告生成配置信息生成测试报告；
发送配置信息提取模块，用于从所述测试报告配置信息中提取测试报告发送配置信息，并根据所述测试报告发送配置信息发送所述测试报告。
在第二方面的一种具体实现方式中，所述测试报告管理装置还可以包括：
配置指令获取模块，用于获取测试报告配置指令，所述测试报告配置指令用于指示对所述测试报告配置信息的新建、删除或更新操作；
目标子库查找模块，用于提取所述测试报告配置指令中的身份标识信息，并在预设的数据库中查找与所述身份标识信息对应的目标子库；
配置操作模块，用于根据所述测试报告配置指令在所述目标子库中进行测试报告配置信息的新建、删除或更新操作。
在第二方面的一种具体实现方式中，所述测试报告管理装置还可以包括：
选择指令获取模块，用于获取测试报告配置模式选择指令；
标识位提取模块，用于提取所述测试报告配置模式选择指令中的模式选择标识位；
第一策略执行模块，用于若所述模式选择标识位与预设的第一数值相同，则执行预设的基于交互的测试报告配置策略；
第二策略执行模块，用于若所述模式选择标识位与预设的第二数值相同，则执行预设的基于人工智能匹配的测试报告配置策略。
在第二方面的一种具体实现方式中，所述第二策略执行模块可以包括：
团队信息获取子模块，用于获取目标测试团队在预设的各个评估维度上的团队信息，所述目标测试团队为与所述测试报告配置模式选择指令中的身份标识信息对应的测试团队；
特征向量构造子模块，用于根据所述目标测试团队在预设的各个评估维度上的团队信息构造所述目标测试团队的特征向量；
模型处理子模块，用于将所述目标测试团队的特征向量输入到预先训练好的神经网络模型中进行处理，并获取所述神经网络模型输出的所述目标测试团队的类别；
团队选取子模块，用于在各个备选参考测试团队中选取出一个测试团队作为优选参考测试团队，所述备选参考测试团队为与所述目标测试团队的类别相同的测试团队。
配置信息确定子模块，用于将所述优选参考测试团队对应的测试报告配置信息确定为所述目标测试团队对应的测试报告配置信息。
在第二方面的一种具体实现方式中，所述第二策略执行模块还可以包括：
数据集构建子模块，用于构建训练数据集；所述训练数据集中包括若干训练样本，每个训练样本均包括一个测试团队的特征向量和预期输出的类别；
实际输出类别确定子模块，用于针对所述训练数据集中的每个训练样本，使用所述神经网络模型对该训练样本中的特征向量进行处理，得到实际输出的类别；
训练损失值计算子模块，用于根据该训练样本中的预期输出的类别和所述实际输出的类别计算训练损失值；
模型参数调整子模块，用于根据所述训练损失值对所述神经网络模型的模型参数进行调整，直至满足预设的训练条件为止。
在第二方面的一种具体实现方式中，所述数据集构建子模块可以包括：
特征向量构造单元，用于构造各个参考测试团队的特征向量，所述参考测试团队为已进行过测试报告配置的测试团队；
聚类分析单元，用于根据各个参考测试团队的特征向量对各个参考测试团队进行聚类分析，得到各个参考测试团队的类别；
数据集构建单元，用于根据各个参考测试团队的特征向量和类别构建所述训练数据集。
在第二方面的一种具体实现方式中，所述团队选取子模块可以包括：
向量距离计算单元，用于分别计算各个备选参考测试团队的特征向量与所述目标测试团队的特征向量之间的向量距离；
团队选取单元，用于选取与所述目标测试团队的特征向量之间的向量距离最小的备选参考测试团队作为所述优选参考测试团队。
本发明实施例的第三方面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存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种测试报告管理方法的步骤。
本发明实施例的第四方面提供了一种终端设备，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程序，所述处理器执行所述计算机程序时实现上述任一种测试报告管理方法的步骤。
本发明实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述任一种测试报告管理方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例从预设的测试报告配置信息集合中提取测试报告配置信息；从所述测试报告配置信息中提取测试报告生成配置信息，并根据所述测试报告生成配置信息生成测试报告；从所述测试报告配置信息中提取测试报告发送配置信息，并根据所述测试报告发送配置信息发送所述测试报告。通过本发明实施例，以测试报告配置信息的形式来记录不同的测试团队对于测试报告的需求，不同的测试团队可以对应不同的测试报告配置信息，测试报告的生成以及发送均按照测试报告配置信息来执行，可以满足各个测试团队的个性化需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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它的附图。
图1为本发明实施例中一种测试报告管理方法的一个实施例流程图；
图2为通过与相关人员的交互来得到各个测试团队自定义的测试报告配置信息的示意流程图；
图3为测试报告配置策略选择的示意流程图；
图4为执行基于人工智能匹配的测试报告配置策略的示意流程图；
图5为神经网络模型的训练过程的示意流程图；
图6为本发明实施例中一种测试报告管理装置的一个实施例结构图；
图7为本发明实施例中一种终端设备的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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，都属于本发明保护的范围。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明实施例的执行主体可以为基于人工智能技术的终端设备，用于执行本发明实施例中的测试报告管理方法。
请参阅图1，本发明实施例中一种测试报告管理方法的一个实施例可以包括：
步骤S101、从预设的测试报告配置信息集合中提取测试报告配置信息。
终端设备可以从预设的存储介质中获取测试报告配置信息集合，所述测试报告配置信息集合为各个测试团队的测试报告配置信息所组成的集合，其中，每条测试报告配置信息均对应一份测试报告的生成及发送过程。本发明实施例以所述测试报告配置信息集合中的任意一条测试报告配置信息(记为目标测试报告配置信息)为例，对生成测试报告及发送测试报告的过程进行详细说明。
步骤S102、从所述测试报告配置信息中提取测试报告生成配置信息，并根据所述测试报告生成配置信息生成测试报告。
每条测试报告配置信息均可以包括测试报告生成配置信息和测试报告发送配置信息两部分。其中，测试报告生成配置信息中可以包括对各个微服务模块的信息的选择，微服务模块可以包括但不限于任务管理、测试执行、缺陷管理等。测试报告生成配置中还可以包括对外围系统提供的数据的选择，可以包括但不限于自动化工具中自动化案例执行情况、代码覆盖情况以及其它各类测试指标等等数据内容，测试指标可以包括但不限于：测试通过率＝通过的测试用例执行数/总用例执行数；用例执行率＝实际执行的用例数/计划执行用例总数；各功能模块的测试通过率＝各功能模块通过的测试用例执行数/各功能模块的总用例执行数；各阶段的用例执行数＝各阶段的实际执行的用例数/各阶段计划执行用例总数；测试人员用例占比＝各测试人员的用例数/总用例数；缺陷通过率＝已关闭的缺陷/总缺陷数；缺陷遗留占比＝遗漏缺陷数/总缺陷数；缺陷测试阶段占比＝每个阶段缺陷/总缺陷数；缺陷类型总占比＝各类型缺陷/总缺陷数；缺陷严重程度总占比＝各程度缺陷/总缺陷数。
终端设备根据测试报告生成配置信息，向各个微服务模块发送信息请求，并接收这些微服务模块提供的相关信息，同时，向外围系统发送数据请求，并外围系统提供的相关数据。在接收到这些数据后，终端设备可以将这些数据进行组装，从而得到所需的测试报告。
步骤S103、从所述测试报告配置信息中提取测试报告发送配置信息，并根据所述测试报告发送配置信息发送所述测试报告。
其中，测试报告发送配置信息中可以包括从多维度对报告发送阶段、发送时间、邮件接收人的具体配置，报告发送阶段可以包括但不限于：冒烟测试、系统测试(SystemTest，ST)、ST测试进度、用户验收测试(User Acceptance Test，UAT)、回归测试等阶段。
终端设备根据测试报告发送配置信息，在特定的发送阶段及发送时间向特定的邮件接收人发送对应的测试报告。
需要注意的是，以上过程是以一条测试报告配置信息为例，对其对应的测试报告的生成及发送过程进行说明。而在测试报告配置信息集合中，包括了各个测试团队的测试报告配置信息，终端设备通过遍历这些测试报告配置信息，即可按照这些设置来为不同的测试团队生成测试报告及发送测试报告，以满足各个测试团队对测试报告的个性化需求。
通过本发明实施例，以测试报告配置信息的形式来记录不同的测试团队对于测试报告的需求，不同的测试团队可以对应不同的测试报告配置信息，测试报告的生成以及发送均按照测试报告配置信息来执行，可以满足各个测试团队的个性化需求。
进一步地，在本发明实施例的另一种具体实现方式中，终端设备预先可以通过与相关人员的交互来得到各个测试团队自定义的测试报告配置信息，并建立起测试报告配置信息集合，其执行的具体步骤可以包括如图2所示的过程：
步骤S201、获取测试报告配置指令。
所述测试报告配置指令用于指示对所述测试报告配置信息的新建、删除或更新操作。
在本发明实施例中，测试报告可以由配置管理员在其终端设备上进行配置，其中，配置管理员是指测试团队负责人，或者测试团队内部指定的负责进行测试报告配置的人员，每个测试团队均有与之对应的配置管理员，进行的配置可以包括但不限于新建测试报告、删除测试报告及更新测试报告。
具体地，配置管理员可以通过所属测试团队的身份标识信息(ID)登录预设的测试报告配置交互界面，并在交互界面上输入对测试报告的配置信息。
在新建测试报告时，配置管理员在该交互界面上填写所要建立的测试报告的报告名称，其中，报告名称为测试报告的标识，同一配置管理员的各个不同测试报告的报告名称各不相同。
具体的测试报告配置内容可以包括测试报告生成配置和测试报告发送配置两部分。其中，测试报告生成配置中可以包括对各个微服务模块的信息的选择，以及对外围系统提供的数据的选择。测试报告发送配置中可以从多维度对报告发送阶段、发送时间、邮件接收人进行配置。
当配置管理员在交互界面上完成信息填写之后，点击生成按钮，即向终端设备发出测试报告配置指令，在该指令中携带了身份标识信息以及配置管理员在交互界面上所填写的配置信息。
当配置管理员进行删除测试报告时，则可以在交互界面上选取所需删除的测试报告，点击删除按钮，即向终端设备发出测试报告配置指令，在该指令中携带了身份标识信息以及所需删除的测试报告的报告名称。
当配置管理员进行更新测试报告时，则可以在交互界面上选取所需更新的测试报告，并对测试报告中的信息进行更新操作，完成后，点击更新按钮，即向终端设备发出测试报告配置指令，在该指令中携带了身份标识信息以及配置管理员在交互界面上所填写的测试报告更新信息。
步骤S202、提取所述测试报告配置指令中的身份标识信息，并在预设的数据库中查找与所述身份标识信息对应的目标子库。
在本发明实施例中，为了满足自由定制的需求，并避免不同配置管理员数据之间的相互关联干扰，提高数据的安全性，可以分别为各个配置管理员在数据库中设置对应的子库，各个子库之间彼此独立，互不相关。
配置管理员与子库之间的对应关系可以根据实际情况进行动态配置，当有新的配置管理员时，可以在数据库中未使用的空间中为该配置管理员分配对应的使用空间，也即与该配置管理员对应的子库；当配置管理员不再需要服务时，可以解除配置管理员与子库之间的对应关系，并释放掉与该配置管理员对应的子库所使用的数据库空间；当配置管理员对应的子库空间不足时，可以为其进行子库扩容，在数据库中未使用的空间中为该配置管理员分配新增的使用空间。本发明中的子库是一个逻辑上的概念，而非物理上的概念，某一配置管理员所对应的子库不必是一段连续的物理存储空间，而可以是由多段不连续的物理存储空间所组成的集合。
假设该子库共由N段不连续的物理存储空间组成，分别记为存储空间段1、存储空间段2、…、存储空间段N，则在存储空间段1的段尾存储了指向存储空间段2的段头的指针，在存储空间段2的段尾存储了指向存储空间段3的段头的指针，…，以此类推，从而形成一个在逻辑上连续的子库。所有子库中包括的测试报告配置信息所组成的集合即为所述测试报告配置信息集合。
终端设备在接收到测试报告配置指令之后，提取其中的身份标识信息，并在数据库中查找到与该身份标识信息对应的子库。
步骤S203、根据所述测试报告配置指令在所述目标子库中进行测试报告配置信息的新建、删除或更新操作。
若为新建测试报告，则终端设备根据该测试报告配置指令生成一条新的测试报告配置信息。
进一步地，在子库中还可以预先设置有配置管理员的主表，用于记录该子库中的所有的测试报告的信息，这些信息包括但不限于报告标识、报告名称、版本等。主表与各个测试报告的报告标识进行关联。
在新建测试报告的过程中，可以为新的测试报告配置信息分配报告标识，并在主表中新增一条测试报告配置信息记录，记录下该测试报告配置信息的报告标识、报告名称、版本等信息，以便于后续根据主表快速查询到该测试报告配置信息。
若为删除测试报告，终端设备从测试报告配置指令中提取出报告名称，并在主表中查询与该报告名称对应的测试报告配置信息记录，从查询到的测试报告配置信息记录中获取报告标识，通过报告标识搜索到对应的测试报告配置信息，并将该测试报告配置信息进行删除操作。在删除完成后，将主表中该测试报告的测试报告配置信息记录也进行删除操作。
若为更新测试报告，终端设备从测试报告配置指令中提取出报告名称，并在主表中查询与该报告名称对应的测试报告记录，从查询到的测试报告配置信息记录中获取报告标识，通过报告标识搜索到对应的测试报告配置信息，在确定要更新的测试报告配置信息之后，根据测试报告配置指令对测试报告配置信息进行信息更新。在更新完成后，将主表中该测试报告配置信息的记录也进行更新操作，如将版本信息进行更新。
通过自定义配置策略，利用终端设备上的测试报告配置交互界面来获取配置管理员对测试报告的配置需求，并根据该配置需求在对应的数据库子库中进行相应的测试报告配置，从而可以实现测试报告的动态配置，满足不同测试团队对测试报告的自由定制需求。
进一步地，在本发明实施例的另一种具体实现方式中，终端设备还可以预先设置多种测试报告配置模式，根据配置管理员的选择执行相应的测试报告配置策略，以进一步增加配置的灵活性。其执行的具体步骤可以包括如图3所示的过程：
步骤S301、获取测试报告配置模式选择指令。
具体地，配置管理员可以通过所属测试团队的身份标识信息登录预设的测试报告配置模式选择界面，并在该界面中勾选所需的测试报告配置模式。当配置管理员在界面上完成测试报告配置模式选择之后，点击确认按钮，即向终端设备发出测试报告配置模式选择指令，在该指令中携带了身份标识信息以及配置管理员在界面上所选择的测试报告配置模式。
步骤S302、提取所述测试报告配置模式选择指令中的模式选择标识位。
在本发明实施例的一种具体实现中，配置管理员的选择结果在测试报告配置模式选择指令中可以用模式选择标识位的形式进行记录，例如，若配置管理员选择了基于交互的测试报告配置策略，则模式选择标识位取值为0，若配置管理员选择了基于人工智能匹配的测试报告配置策略，则模式选择标识位取值为1。当然，也可以根据实际情况设置其它的记录形式，本发明实施例对此不作具体限定。
步骤S303、执行与所述模式选择标识位的取值对应的测试报告配置策略。
具体地，若所述模式选择标识位与预设的第一数值相同，则执行预设的基于交互的测试报告配置策略，该策略的具体执行过程即为步骤S201至步骤S203，此处不再赘述。
若所述模式选择标识位与预设的第二数值相同，则执行预设的基于人工智能匹配的测试报告配置策略，该策略的具体执行过程可以包括如图4所示的步骤：
步骤S401、获取目标测试团队在预设的各个评估维度上的团队信息。
所述目标测试团队为与所述测试报告配置模式选择指令中的身份标识信息对应的测试团队。
在本发明实施例中，具体的评估维度可以根据实际情况进行灵活调整，本本发明实施例对此不作具体限定。例如，评估维度可以包括但不限于所属产品线、团队人数、团队级别等等。目标测试团队在各个评估维度上的团队信息均以数值化的形式在指定的数据库中进行存储，终端设备可以从数据库中进行相应的信息提取。
步骤S402、根据所述目标测试团队在预设的各个评估维度上的团队信息构造所述目标测试团队的特征向量。
为了便于进行数据分析，可以将目标测试团队在各个评估维度上的团队信息构造为如下所示的特征向量：
TgVec＝(TgInfo1,TgInfo2,TgInfo3,...TgInfod,...TgInfoDN)
其中，d为各个评估维度的序号，1≤d≤DN，DN为评估维度的维度总数，TgInfod为目标测试团队在第d个评估维度上的团队信息，TgVec为目标测试团队的特征向量。
步骤S403、将所述目标测试团队的特征向量输入到预先训练好的神经网络模型中进行处理，并获取所述神经网络模型输出的所述目标测试团队的类别。
本发明实施例中所使用的神经网络模型可以包括但不限于卷积神经网络(Convolutional Neural Networks，CNN)、深度卷积神经网络(Deep ConvolutionalNeural Networks，DCNN)、逆向图网络(Inverse Graphics Networks，IGN)、生成式对抗网络(Generative Adversarial Networks，GAN)、循环神经网络(Recurrent NeuralNetworks，RNN)、深度残差网络(Deep Residual Networks，DRN)、支持向量机(SupportVector Machines，SVM)以及其它的神经网络模型。
如图5所示，所述神经网络模型的训练过程可以包括如下步骤：
步骤S4031、构建训练数据集。
所述训练数据集中包括若干训练样本，每个训练样本均包括一个测试团队的特征向量和预期输出的类别。
具体地，在本发明实施例中，可以按照步骤S402中的方式，构造各个参考测试团队的特征向量，所述参考测试团队为已进行过测试报告配置的测试团队。然后，可以根据各个参考测试团队的特征向量对各个参考测试团队进行聚类分析，得到各个参考测试团队的类别，本发明实施例可以根据实际情况选择现有技术中的任意一种聚类算法进行聚类分析，形成若干个类别。每个类别均可设置对应的数值化表示形式，例如，可以用0、1、2、…分别表示不同的类别。当然，也可以根据实际情况采用其它的数值化表示形式，本发明实施例对此不作具体限定。这样，每个参考测试团队的特征向量和类别均可形成一个训练样本，可以根据各个参考测试团队的特征向量和类别构建所述训练数据集。
步骤S4032、针对所述训练数据集中的每个训练样本，使用所述神经网络模型对该训练样本中的特征向量进行处理，得到实际输出的类别。
步骤S4033、根据该训练样本中的预期输出的类别和所述实际输出的类别计算训练损失值。
所述训练损失值的具体计算方式可以根据实际情况进行设置，在本发明实施例的一种具体实现中，可以计算所述预期输出的类别和所述实际输出的类别之间的平方误差，并将该平方误差确定为所述训练损失值。
步骤S4034、根据所述训练损失值对所述神经网络模型的模型参数进行调整，直至满足预设的训练条件为止。
所述训练条件可以为训练次数达到预设的次数阈值或者所述神经网络模型已收敛，所述次数阈值可以根据实际情况进行设置，本发明实施例对其不作具体限定。
步骤S404、在各个备选参考测试团队中选取出一个测试团队作为优选参考测试团队，并将所述优选参考测试团队对应的测试报告配置信息确定为所述目标测试团队对应的测试报告配置信息。
其中，所述备选参考测试团队为与所述目标测试团队的类别相同的测试团队。在本发明实施例中，可以分别计算各个备选参考测试团队的特征向量与所述目标测试团队的特征向量之间的向量距离，然后选取与所述目标测试团队的特征向量之间的向量距离最小的备选参考测试团队作为所述优选参考测试团队，并将其对应的测试报告配置信息确定为所述目标测试团队对应的测试报告配置信息。
所述目标测试团队的配置管理员可以直接使用该测试报告配置信息，也可以在此基础上进行一些局部的自适应调整，调整的过程可以参照前述基于交互的测试报告配置策略的具体叙述内容，此处不再赘述。
在基于人工智能匹配的测试报告配置策略下，配置管理员无需从头开始进行测试报告配置，而是由终端设备根据配置管理员所属测试团队，在已进行过测试报告配置的其它测试团队中为其智能匹配，并根据匹配到的测试报告配置来进行目标测试团队的测试报告配置。在该模式下，极大提升了测试报告配置效率，减少了配置管理员进行测试报告配置的工作量。
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。
对应于上文实施例所述的一种测试报告管理方法，图6示出了本发明实施例提供的一种测试报告管理装置的一个实施例结构图。
本实施例中，一种测试报告管理装置可以包括：
配置信息提取模块601，用于从预设的测试报告配置信息集合中提取测试报告配置信息；
生成配置信息提取模块602，用于从所述测试报告配置信息中提取测试报告生成配置信息，并根据所述测试报告生成配置信息生成测试报告；
发送配置信息提取模块603，用于从所述测试报告配置信息中提取测试报告发送配置信息，并根据所述测试报告发送配置信息发送所述测试报告。
在本发明实施例的一种具体实现方式中，所述测试报告管理装置还可以包括：
配置指令获取模块，用于获取测试报告配置指令，所述测试报告配置指令用于指示对所述测试报告配置信息的新建、删除或更新操作；
目标子库查找模块，用于提取所述测试报告配置指令中的身份标识信息，并在预设的数据库中查找与所述身份标识信息对应的目标子库；
配置操作模块，用于根据所述测试报告配置指令在所述目标子库中进行测试报告配置信息的新建、删除或更新操作。
在本发明实施例的一种具体实现方式中，所述测试报告管理装置还可以包括：
选择指令获取模块，用于获取测试报告配置模式选择指令；
标识位提取模块，用于提取所述测试报告配置模式选择指令中的模式选择标识位；
第一策略执行模块，用于若所述模式选择标识位与预设的第一数值相同，则执行预设的基于交互的测试报告配置策略；
第二策略执行模块，用于若所述模式选择标识位与预设的第二数值相同，则执行预设的基于人工智能匹配的测试报告配置策略。
在本发明实施例的一种具体实现方式中，所述第二策略执行模块可以包括：
团队信息获取子模块，用于获取目标测试团队在预设的各个评估维度上的团队信息，所述目标测试团队为与所述测试报告配置模式选择指令中的身份标识信息对应的测试团队；
特征向量构造子模块，用于根据所述目标测试团队在预设的各个评估维度上的团队信息构造所述目标测试团队的特征向量；
模型处理子模块，用于将所述目标测试团队的特征向量输入到预先训练好的神经网络模型中进行处理，并获取所述神经网络模型输出的所述目标测试团队的类别；
团队选取子模块，用于在各个备选参考测试团队中选取出一个测试团队作为优选参考测试团队，所述备选参考测试团队为与所述目标测试团队的类别相同的测试团队。
配置信息确定子模块，用于将所述优选参考测试团队对应的测试报告配置信息确定为所述目标测试团队对应的测试报告配置信息。
在本发明实施例的一种具体实现方式中，所述第二策略执行模块还可以包括：
数据集构建子模块，用于构建训练数据集；所述训练数据集中包括若干训练样本，每个训练样本均包括一个测试团队的特征向量和预期输出的类别；
实际输出类别确定子模块，用于针对所述训练数据集中的每个训练样本，使用所述神经网络模型对该训练样本中的特征向量进行处理，得到实际输出的类别；
训练损失值计算子模块，用于根据该训练样本中的预期输出的类别和所述实际输出的类别计算训练损失值；
模型参数调整子模块，用于根据所述训练损失值对所述神经网络模型的模型参数进行调整，直至满足预设的训练条件为止。
在本发明实施例的一种具体实现方式中，所述数据集构建子模块可以包括：
特征向量构造单元，用于构造各个参考测试团队的特征向量，所述参考测试团队为已进行过测试报告配置的测试团队；
聚类分析单元，用于根据各个参考测试团队的特征向量对各个参考测试团队进行聚类分析，得到各个参考测试团队的类别；
数据集构建单元，用于根据各个参考测试团队的特征向量和类别构建所述训练数据集。
在本发明实施例的一种具体实现方式中，所述团队选取子模块可以包括：
向量距离计算单元，用于分别计算各个备选参考测试团队的特征向量与所述目标测试团队的特征向量之间的向量距离；
团队选取单元，用于选取与所述目标测试团队的特征向量之间的向量距离最小的备选参考测试团队作为所述优选参考测试团队。
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，上述描述的装置，模块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或记载的部分，可以参见其它实施例的相关描述。
图7示出了本发明实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。
在本实施例中，所述终端设备7可以是桌上型计算机、笔记本、掌上电脑等计算设备。该终端设备7可包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机可读指令72，例如执行上述的测试报告管理方法的计算机可读指令。所述处理器70执行所述计算机可读指令72时实现上述各个测试报告管理方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器70执行所述计算机可读指令72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至603的功能。
示例性的，所述计算机可读指令72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令72在所述终端设备7中的执行过程。
所述处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机可读指令以及所述终端设备7所需的其它指令和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
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，包括若干计算机可读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-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
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。
Claims (7)
1.一种测试报告管理方法，其特征在于，包括：
从预设的测试报告配置信息集合中提取测试报告配置信息；其中，测试报告配置信息的确定过程包括：获取测试报告配置模式选择指令；提取所述测试报告配置模式选择指令中的模式选择标识位；若所述模式选择标识位与预设的第一数值相同，则获取测试报告配置指令，所述测试报告配置指令用于指示对所述测试报告配置信息的新建、删除或更新操作；提取所述测试报告配置指令中的身份标识信息，并在预设的数据库中查找与所述身份标识信息对应的目标子库；根据所述测试报告配置指令在所述目标子库中进行测试报告配置信息的新建、删除或更新操作；若所述模式选择标识位与预设的第二数值相同，则获取目标测试团队在预设的各个评估维度上的团队信息，所述目标测试团队为与所述测试报告配置模式选择指令中的身份标识信息对应的测试团队；根据所述目标测试团队在预设的各个评估维度上的团队信息构造所述目标测试团队的特征向量；将所述目标测试团队的特征向量输入到预先训练好的神经网络模型中进行处理，并获取所述神经网络模型输出的所述目标测试团队的类别；在各个备选参考测试团队中选取出一个测试团队作为优选参考测试团队，并将所述优选参考测试团队对应的测试报告配置信息确定为所述目标测试团队对应的测试报告配置信息，所述备选参考测试团队为与所述目标测试团队的类别相同的测试团队；
从所述测试报告配置信息中提取测试报告生成配置信息，并根据所述测试报告生成配置信息生成测试报告；
从所述测试报告配置信息中提取测试报告发送配置信息，并根据所述测试报告发送配置信息发送所述测试报告。
2.根据权利要求1所述的测试报告管理方法，其特征在于，所述神经网络模型的训练过程包括：
构建训练数据集；所述训练数据集中包括若干训练样本，每个训练样本均包括一个测试团队的特征向量和预期输出的类别；
针对所述训练数据集中的每个训练样本，使用所述神经网络模型对该训练样本中的特征向量进行处理，得到实际输出的类别；
根据该训练样本中的预期输出的类别和所述实际输出的类别计算训练损失值；
根据所述训练损失值对所述神经网络模型的模型参数进行调整，直至满足预设的训练条件为止。
3.根据权利要求2所述的测试报告管理方法，其特征在于，所述构建训练数据集，包括：
构造各个参考测试团队的特征向量，所述参考测试团队为已进行过测试报告配置的测试团队；
根据各个参考测试团队的特征向量对各个参考测试团队进行聚类分析，得到各个参考测试团队的类别；
根据各个参考测试团队的特征向量和类别构建所述训练数据集。
4.根据权利要求1至3中任一项所述的测试报告管理方法，其特征在于，所述在各个备选参考测试团队中选取出一个测试团队作为优选参考测试团队，包括：
分别计算各个备选参考测试团队的特征向量与所述目标测试团队的特征向量之间的向量距离；
选取与所述目标测试团队的特征向量之间的向量距离最小的备选参考测试团队作为所述优选参考测试团队。
5.一种测试报告管理装置，其特征在于，包括：
配置信息提取模块，用于从预设的测试报告配置信息集合中提取测试报告配置信息；其中，测试报告配置信息的确定过程包括：获取测试报告配置模式选择指令；提取所述测试报告配置模式选择指令中的模式选择标识位；若所述模式选择标识位与预设的第一数值相同，则获取测试报告配置指令，所述测试报告配置指令用于指示对所述测试报告配置信息的新建、删除或更新操作；提取所述测试报告配置指令中的身份标识信息，并在预设的数据库中查找与所述身份标识信息对应的目标子库；根据所述测试报告配置指令在所述目标子库中进行测试报告配置信息的新建、删除或更新操作；若所述模式选择标识位与预设的第二数值相同，则获取目标测试团队在预设的各个评估维度上的团队信息，所述目标测试团队为与所述测试报告配置模式选择指令中的身份标识信息对应的测试团队；根据所述目标测试团队在预设的各个评估维度上的团队信息构造所述目标测试团队的特征向量；将所述目标测试团队的特征向量输入到预先训练好的神经网络模型中进行处理，并获取所述神经网络模型输出的所述目标测试团队的类别；在各个备选参考测试团队中选取出一个测试团队作为优选参考测试团队，并将所述优选参考测试团队对应的测试报告配置信息确定为所述目标测试团队对应的测试报告配置信息，所述备选参考测试团队为与所述目标测试团队的类别相同的测试团队；
生成配置信息提取模块，用于从所述测试报告配置信息中提取测试报告生成配置信息，并根据所述测试报告生成配置信息生成测试报告；
发送配置信息提取模块，用于从所述测试报告配置信息中提取测试报告发送配置信息，并根据所述测试报告发送配置信息发送所述测试报告。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至4中任一项所述的测试报告管理方法的步骤。
7.一种终端设备，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4中任一项所述的测试报告管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111007188.9A CN113704113B (zh) | 2021-08-30 | 2021-08-30 | 一种测试报告管理方法、装置、可读存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111007188.9A CN113704113B (zh) | 2021-08-30 | 2021-08-30 | 一种测试报告管理方法、装置、可读存储介质及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113704113A CN113704113A (zh) | 2021-11-26 |
| CN113704113B true CN113704113B (zh) | 2024-08-27 |
Family
ID=78657029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111007188.9A Active CN113704113B (zh) | 2021-08-30 | 2021-08-30 | 一种测试报告管理方法、装置、可读存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113704113B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106095670A (zh) * | 2016-06-02 | 2016-11-09 | 网易（杭州）网络有限公司 | 测试报告的生成方法及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6442714B1 (en) * | 1999-03-17 | 2002-08-27 | Cisco Technology | Web-based integrated testing and reporting system |
| CN1369838A (zh) * | 2001-02-14 | 2002-09-18 | 英业达股份有限公司 | 测试系统的测试结果处理及生成测试报告的方法 |
| US7584425B2 (en) * | 2001-07-31 | 2009-09-01 | Verizon Business Global Llc | Systems and methods for generating reports |
| RU2536390C2 (ru) * | 2012-10-31 | 2014-12-20 | Общество с ограниченной ответственностью "1С" | Способ для автоматизированного создания отчетов |
| CN108228441A (zh) * | 2016-12-14 | 2018-06-29 | 北京金山云网络技术有限公司 | 一种应用程序评测报告的生成方法、装置以及评测报告 |
| CN109840550A (zh) * | 2019-01-14 | 2019-06-04 | 华南理工大学 | 一种基于深度神经网络的移动用户应用偏好识别方法 |
| CN110162706B (zh) * | 2019-05-22 | 2021-10-26 | 南京邮电大学 | 一种基于交互数据聚类的个性化推荐方法及系统 |
| CN111241804A (zh) * | 2020-01-21 | 2020-06-05 | 中国海洋大学 | 面向物联网的家电测试报告生成和交互方法及其装置 |
-
2021
- 2021-08-30 CN CN202111007188.9A patent/CN113704113B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106095670A (zh) * | 2016-06-02 | 2016-11-09 | 网易（杭州）网络有限公司 | 测试报告的生成方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113704113A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10789509B2 (en) | Systems and methods for generating machine learning applications | |
| CN110222127B (zh) | 基于知识图谱的信息汇聚方法、装置和设备 | |
| CN102576432B (zh) | 自动的测试执行计划生成 | |
| CN111782635B (zh) | 数据处理方法和装置、存储介质和电子装置 | |
| CN114791846B (zh) | 一种针对云原生混沌工程实验实现可观测性的方法 | |
| CN110866029B (zh) | sql语句构建方法、装置、服务器及可读存储介质 | |
| CN114398669B (zh) | 基于隐私保护计算和跨组织的联合信用评分方法及装置 | |
| CN109740129B (zh) | 基于区块链的报表生成方法、装置、设备及可读存储介质 | |
| CN108197251A (zh) | 一种大数据运行维护分析方法、装置及服务器 | |
| CN113656686B (zh) | 一种基于产教融合的任务报告的生成方法及服务系统 | |
| CN105868956A (zh) | 一种数据处理方法及装置 | |
| CN112559525A (zh) | 数据检查系统、方法、装置和服务器 | |
| CN118138471A (zh) | 基于知识图谱的网络模型构建方法、设备及存储介质 | |
| US20050278301A1 (en) | System and method for determining an optimized process configuration | |
| CN108268512A (zh) | 一种标签查询方法及装置 | |
| CN110737779A (zh) | 知识图谱的构建方法、装置、存储介质和电子设备 | |
| KR102039419B1 (ko) | 프로세스 실행 로그 기반 업무 네트워크의 점진적 데이터 마이닝 시스템 및 방법 | |
| CN114258035B (zh) | 通信方法及装置、系统 | |
| CN113704113B (zh) | 一种测试报告管理方法、装置、可读存储介质及终端设备 | |
| JP5206268B2 (ja) | ルール作成プログラム、ルール作成方法及びルール作成装置 | |
| WO2021044497A1 (ja) | データ分析処理装置、データ分析処理方法及びデータ分析処理プログラム | |
| US10003492B2 (en) | Systems and methods for managing data related to network elements from multiple sources | |
| CN108334524A (zh) | 一种storm日志错误分析方法及装置 | |
| CN114580915B (zh) | 一种新微针技术植发效果的智能评价方法及系统 | |
| US20140280385A1 (en) | Hierarchical intersections |
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 |