CN114461530A - 针对app的测试用例智能推荐处理系统、方法、装置、处理器及计算机可读存储介质 - Google Patents

针对app的测试用例智能推荐处理系统、方法、装置、处理器及计算机可读存储介质 Download PDF

Info

Publication number
CN114461530A
CN114461530A CN202210129626.7A CN202210129626A CN114461530A CN 114461530 A CN114461530 A CN 114461530A CN 202210129626 A CN202210129626 A CN 202210129626A CN 114461530 A CN114461530 A CN 114461530A
Authority
CN
China
Prior art keywords
test
test case
data
keyword
module
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
Application number
CN202210129626.7A
Other languages
English (en)
Inventor
俞枫
王玉凤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guotai Junan Securities Co Ltd
Original Assignee
Guotai Junan Securities Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guotai Junan Securities Co Ltd filed Critical Guotai Junan Securities Co Ltd
Priority to CN202210129626.7A priority Critical patent/CN114461530A/zh
Publication of CN114461530A publication Critical patent/CN114461530A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3684—Test management for test design, e.g. generating new test cases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种针对APP的测试用例智能推荐处理系统，包括数据模块，用于收集和存储各个维度的测试相关数据；数据处理模块，用于对数据模块收集到的数据进行清洗，并进行关键词提取；智能算法模块，用于根据需求生成测试用例推荐列表；推荐展示模块，用于将推荐的测试用例列表推送至用户，并收集用户的选择情况反馈至智能算法模块进行学习修正。本发明还涉及一种实现针对APP的测试用例智能推荐处理方法。采用了本发明的针对APP的测试用例智能推荐处理系统、方法、装置、处理器及其计算机可读存储介质，可以更加简单、全面的设计测试用例，既充分发挥了测试用例库的作用，又减少了测试人员的工作量，也大大减少了测试用例设计的遗漏率，提升软件的质量。

Description

针对APP的测试用例智能推荐处理系统、方法、装置、处理器及 计算机可读存储介质
技术领域
本发明涉及计算机应用技术领域，尤其涉及APP设计测试领域，具体是指一种针对APP的测试用例智能推荐处理系统、方法、装置、处理器及其计算机可读存储介质。
背景技术
在持续集成的APP开发项目中，基于功能迭代速度快的特点，会积累大量的项目数据：需求说明、测试用例和测试问题。存量数据是否能发挥作用，往往依赖于他人是否能主动获取，被动性比较高，容易造成这类数据的利用率不高。迭代过程中，同时也会需要大量的测试数据:测试用例。人工准备测试数据，依靠的往往是自身的经验积累，及自己对需求的理解和判断，需要大量的时间和精力。
这时，如果能有一个针对APP的测试用例智能推荐方法，测试人员可以更加简单、全面的设计测试用例，既充分发挥了测试用例库的作用，又减少了测试人员的工作量，也大大减少了测试用例设计的遗漏率，提升软件的质量。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种满足速度快、遗漏率少、质量高的针对APP的测试用例智能推荐处理系统、方法、装置、处理器及其计算机可读存储介质。
为了实现上述目的，本发明的针对APP的测试用例智能推荐处理系统、方法、装置、处理器及其计算机可读存储介质如下：
该针对APP的测试用例智能推荐处理系统，其主要特点是，所述的系统包括：
数据模块，用于收集和存储各个维度的测试相关数据；
数据处理模块，与所述的数据模块相连接，用于对数据模块收集到的数据进行清洗，并进行关键词提取；
智能算法模块，与所述的数据模块相连接，用于根据需求生成测试用例推荐列表；
推荐展示模块，与所述的智能算法模块相连接，用于将推荐的测试用例列表推送至用户，并收集用户的选择情况反馈至智能算法模块进行学习修正。
较佳地，所述的数据模块包括：
需求单元，用于收集用户需求；
测试用例单元，与所述的需求单元相连接，用于收集软件系统测试过程中设计出来的测试用例；
测试问题单元，与所述的需求单元和测试用例单元相连接，用于收集软件系统测试过程中发现的测试问题，和UAT验收测试、线上发现的问题。
较佳地，所述的数据处理模块包括：
数据清洗单元，与所述的数据模块相连接，用于对数据进行补全、规范、去重和修正；
数据更新单元，与所述的数据清洗单元相连接，用于对测试用例和测试问题的优先级属性和有效性进行更新；
关键词提取单元，与所述的数据更新单元相连接，用于对需求、测试用例和测试问题提取关键词数组，并存入对应的关键词属性。
较佳地，所述的智能算法模块包括：
关键词及权重提取单元，与所述的数据处理模块相连接，用于分析输入的需求，提取关键词和对应的权重；
历史需求数据筛选单元，与所述的关键词及权重提取单元相连接，用于根据关键词数组从历史需求数据库中筛选推荐的测试用例；
历史测试用例数据筛选单元，与所述的关键词及权重提取单元相连接，用于根据关键词数组从历史测试用例数据库中筛选推荐的测试用例；
历史测试问题数据筛选单元，与所述的关键词及权重提取单元相连接，用于根据关键词数组从历史测试问题数据库中筛选推荐的测试用例。
该利用上述系统实现针对APP的测试用例智能推荐处理方法，其主要特点是，所述的方法包括以下步骤：
(1)数据模块收集和存储各个维度的测试相关数据；
(2)数据处理模块对数据模块收集到的数据进行清洗，并进行关键词提取；
(3)智能算法模块分析输入的需求，提取关键词和对应的权重；
(4)智能算法模块根据关键词数组，分别从历史需求数据库、历史测试用例数据库和历史测试问题数据库中筛选推荐的测试用例；
(5)智能算法模块对三方测试用例进行合并、排序并去重，生成推荐的测试用例列表；
(6)推荐展示模块将推荐的测试用例列表推送至用户，并收集用户的选择情况反馈至智能算法模块进行学习修正。
较佳地，所述的步骤(4)中从历史需求数据库中筛选推荐的测试用例的步骤，具体包括以下处理过程：
(1-4.1)根据关键词数组，从历史需求数据库中选出至少包含一个关键词的需求；
(1-4.2)对选出的需求，根据选中的关键词在本需求里的权重和在目标需求里的权重计算匹配度；
(1-4.3)对选出的需求关联的测试用例，根据需求的匹配度、用例优先级和创建时间，计算测试用例的匹配度，并进行排序。
较佳地，所述的步骤(4)中从历史测试用例数据库中筛选推荐的测试用例的步骤，具体包括以下处理过程：
(2-4.1)根据关键词数组，从历史测试用例数据库中选出至少包含一个关键词的测试用例；
(2-4.2)去除无效的测试用例；
(2-4.3)对选出的测试用例，根据命中的关键词在测试用例里的权重、在目标需求里的权重、测试用例的优先级和创建时间，计算测试用例的匹配度，并对测试用例进行排序。
较佳地，所述的步骤(4)中从历史测试问题数据库中筛选推荐的测试用例的步骤，具体包括以下处理过程：
(3-4.1)根据关键词数组，从历史测试问题数据库中选出至少包含一个关键词的测试问题；
(3-4.2)去除无效的测试问题；
(3-4.3)对选出的测试问题，根据命中的关键词在测试问题里的权重、在目标需求里的权重、测试问题的优先级和创建时间，计算测试问题的匹配度，并对测试用例进行排序。
该用于实现针对APP的测试用例智能推荐处理的装置，其主要特点是，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述的实现针对APP的测试用例智能推荐处理方法的各个步骤。
该用于实现针对APP的测试用例智能推荐处理的处理器，其主要特点是，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述的实现针对APP的测试用例智能推荐处理方法的各个步骤。
该计算机可读存储介质，其主要特点是，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述的实现针对APP的测试用例智能推荐处理方法的各个步骤。
采用了本发明的针对APP的测试用例智能推荐处理系统、方法、装置、处理器及其计算机可读存储介质，可以更加简单、全面的设计测试用例，既充分发挥了测试用例库的作用，又减少了测试人员的工作量，也大大减少了测试用例设计的遗漏率，提升软件的质量。
附图说明
图1为本发明的针对APP的测试用例智能推荐处理系统的结构示意图。
图2为本发明的实现针对APP的测试用例智能推荐处理方法的智能算法推荐的流程示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
本发明的具体实施方式中，设计了一种新型的针对APP的测试用例推荐方法，基于APP功能迭代速度快的特点，以存量的庞大的测试用例库为基础，通过一套数据清洗流程和一套智能推荐算法，根据测试需求，为测试人员智能推荐测试用例。通过本发明，测试人员可以更加简单、全面的设计测试用例，既充分发挥了测试用例库的作用，又减少了测试人员的工作量，也大大减少了测试用例设计的遗漏率，提升软件的质量。
本发明包括数据模块、数据处理模块、智能算法模块、推荐展示模块，通过互相协作实现测试用例的智能推荐。
数据模块收集和存储各个维度的测试相关数据，包括软件开发迭代过程中积累的需求、测试用例和测试问题三部分。在APP的迭代开发中，需求主要是指简要的需求说明，既有功能性的需求说明，也有非功能性的需求说明。测试用例主要是指针对需求，在软件测试过程中设计出来的测试用例。不同的测试用例拥有不同的优先级。测试问题主要是指针对需求，在软件测试过程中，根据测试用例，发现的测试问题。也包括来自UAT验收测试发现的测试问题和线上生产环境发现的测试问题。不同的测试问题也有不同的优先级。三者相互关联，测试用例关联相关需求，测试问题关联相关需求和测试用例，关联关系都是多对多的。
数据处理模块负责对数据模块收集到的数据(需求、测试用例和测试问题)进行处理，主要包括数据清洗、数据更新和关键词提取三个操作。数据清洗包括数据的补全、规范、去重、修正。存量积累的数据大部分都是人工撰写的，部分存在编写不规范、有误、缺失和重复等问题，而通过数据清洗往往可以解决这些问题，使得最终数据具有完整性、唯一性、合法性和一致性。数据更新主要是对测试用例和测试问题的优先级属性和是否有效属性进行更新。测试用例是否有效是根据后续反馈设定，初始状态为有效。测试问题是否有效，是根据测试问题的解决方案和后续反馈设定，只有解决方案为已解决、延期解决、转为需求的测试问题才会被初始化为有效，其余置为无效。关键词提取主要是使用TextRank算法对需求、测试用例和测试问题提取关键词数组(包含权重)，并存入对应的关键词属性。
智能算法模块使用一种智能推荐算法，根据输入的需求，生成推荐的测试用例推荐列表。生成过程具体包括：
(1)分析输入的需求，使用TextRank算法提取一组关键词和对应的权重；
(2)根据关键词数组，从历史需求数据库中根据算法筛选出推荐的测试用例，具体步骤如下：
(2.1)根据关键词数组，从历史需求数据库中选出至少包含一个关键词的需求；
(2.2)对选出的需求，根据命中的关键词在本需求里的权重和在目标需求里的权重计算匹配度。
(2.3)对选出的需求关联的测试用例，根据需求的匹配度和用例优先级、创建时间，计算测试用例的匹配度，并进行排序。
(3)根据关键词数组，从历史测试用例数据库中根据算法筛选出推荐的测试用例，具体的筛选算法如下：
(3.1)根据关键词数组，从历史测试用例数据库中选出至少包含一个关键词的测试
用例；
(3.2)去除无效的测试用例；
(3.3)对选出的测试用例，根据命中的关键词在本测试用例里的权重和在目标需求里的权重，以及测试用例的优先级、创建时间，计算测试用例的匹配度，然后据此对测试用例进行排序。
(4)根据关键字数组，从历史测试问题数据库中根据算法筛选出推荐的测试用例，具体步骤如下：
(4.1)根据关键词数组，从历史测试问题数据库中选出至少包含一个关键词的测试
问题；
(4.2)去除无效的测试问题；
(4.3)对选出的测试问题，根据命中的关键词在本测试问题里的权重和在目标需求里的权重，以及测试问题的优先级、创建时间，计算测试问题的匹配度，然后据此对测试用例进行排序。
(5)对三方测试用例进行合并、排序并去重。
(6)生成推荐的测试用例列表。
推荐展示模块将推荐的测试用例列表推给用户，并收集用户的选择情况反馈给智能算法模块进行进一步的学习修正，让智能算法推荐模型在不断的学习中准确性进一步提升。同时，数据模块也在收集反馈中不断更新。
TextRank算法是一种基于图的用于关键词抽取和文档摘要的排序算法，由谷歌的网页重要性排序算法PageRank算法改进而来，它利用一篇文档内部的词语间的共现信息(语义)便可以抽取关键词，它能够从一个给定的文本中抽取出该文本的关键词、关键词组，并使用抽取式的自动文摘方法抽取出该文本的关键句。
在本发明的具体实施例中，具体包括以下步骤：
(1)输入本次需要测试的需求r；
(2)使用TextRank算法对需求r，提取一组关键词和权重，得到了包含n个关键词的数组，其中关键词wordi的对应的权重表示为weighti(0≤i≤n)；
(3)根据关键词数组，从历史需求数据库中根据算法筛选出推荐的测试用例，具体步骤如下：
(3.1)根据关键词数组，从历史需求数据库中选出至少包含一个关键词的需求，得到了包含m个需求的数组。其中需求rj(0≤j≤m)命中了p个关键词，每个关键词wordk对应的权重表示为weightk(0≤k≤p)；
(3.2)对选出的需求rj，根据命中的关键词在本需求里的权重weightk和在目标需求里的权重weighti计算匹配度mj。
(3.3)对选出的需求关联的测试用例，根据需求的匹配度mj和用例优先级、创建时间，计算测试用例的匹配度，并进行排序。
(4)根据关键词数组，从历史测试用例数据库中根据算法筛选出推荐的测试用例，具体的筛选算法如下：
(4.1)根据关键词数组，从历史测试用例数据库中选出至少包含一个关键词的测试用例，得到了包含n个测试用例的数组。其中测试用例tci的优先级表示为pri，命中了
m个关键词列表，每个关键词wordj对应的权重表示为weightj(0≤j≤m)；
(4.2)去除无效的测试用例；
(4.3)对选出的测试用例，根据命中的关键词在本测试用例里的权重weightj和在目标需求里的权重weighti，以及测试用例的优先级pri、创建时间，计算测试用例的匹配度，然后据此对测试用例进行排序；
(5)根据关键字数组，从历史测试问题数据库中根据算法筛选出推荐的测试用例，具体步骤如下：
(5.1)根据关键词数组，从历史测试问题数据库中选出至少包含一个关键词的测试问题,得到了包含n个测试问题的数组。其中测试问题bugi的优先级表示为pri，命中了
m个关键词列表，每个关键词wordj对应的权重表示为weightj(0≤j≤m)；
(5.2)去除无效的测试问题；
(5.3)对选出的测试问题，根据命中的关键词在本测试问题里的权重weightj和在目标需求里的权重weighti，以及测试问题的优先级pri、创建时间，计算测试问题的匹配度，然后据此对测试用例进行排序；
(6)对三方测试用例进行合并；
(7)排序；
(8)去重，其中文字描述一致，优先级和关键词不同的测试用例视为重复用例，只保留排序靠前的第一个；
(9)生成推荐的测试用例列表。
本实施例的具体实现方案可以参见上述实施例中的相关说明，此处不再赘述。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，相应的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
采用了本发明的针对APP的测试用例智能推荐处理的系统、方法、装置、处理器及其计算机可读存储介质，可以更加简单、全面的设计测试用例，既充分发挥了测试用例库的作用，又减少了测试人员的工作量，也大大减少了测试用例设计的遗漏率，提升软件的质量。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (11)

1.一种针对APP的测试用例智能推荐处理系统，其特征在于，所述的系统包括：
数据模块，用于收集和存储各个维度的测试相关数据；
数据处理模块，与所述的数据模块相连接，用于对数据模块收集到的数据进行清洗，并进行关键词提取；
智能算法模块，与所述的数据模块相连接，用于根据需求生成测试用例推荐列表；
推荐展示模块，与所述的智能算法模块相连接，用于将推荐的测试用例列表推送至用户，并收集用户的选择情况反馈至智能算法模块进行学习修正。
2.根据权利要求1所述的针对APP的测试用例智能推荐处理系统，其特征在于，所述的数据模块包括：
需求单元，用于收集用户需求；
测试用例单元，与所述的需求单元相连接，用于收集软件系统测试过程中设计出来的测试用例；
测试问题单元，与所述的需求单元和测试用例单元相连接，用于收集软件系统测试过程中发现的测试问题，和UAT验收测试、线上发现的问题。
3.根据权利要求1所述的针对APP的测试用例智能推荐处理系统，其特征在于，所述的数据处理模块包括：
数据清洗单元，与所述的数据模块相连接，用于对数据进行补全、规范、去重和修正；
数据更新单元，与所述的数据清洗单元相连接，用于对测试用例和测试问题的优先级属性和有效性进行更新；
关键词提取单元，与所述的数据更新单元相连接，用于对需求、测试用例和测试问题提取关键词数组，并存入对应的关键词属性。
4.根据权利要求1所述的针对APP的测试用例智能推荐处理系统，其特征在于，所述的智能算法模块包括：
关键词及权重提取单元，与所述的数据处理模块相连接，用于分析输入的需求，提取关键词和对应的权重；
历史需求数据筛选单元，与所述的关键词及权重提取单元相连接，用于根据关键词数组从历史需求数据库中筛选推荐的测试用例；
历史测试用例数据筛选单元，与所述的关键词及权重提取单元相连接，用于根据关键词数组从历史测试用例数据库中筛选推荐的测试用例；
历史测试问题数据筛选单元，与所述的关键词及权重提取单元相连接，用于根据关键词数组从历史测试问题数据库中筛选推荐的测试用例。
5.一种基于权利要求1所述的系统实现针对APP的测试用例智能推荐处理方法，其特征在于，所述的方法包括以下步骤：
(1)数据模块收集和存储各个维度的测试相关数据；
(2)数据处理模块对数据模块收集到的数据进行清洗，并进行关键词提取；
(3)智能算法模块分析输入的需求，提取关键词和对应的权重；
(4)智能算法模块根据关键词数组，分别从历史需求数据库、历史测试用例数据库和历史测试问题数据库中筛选推荐的测试用例；
(5)智能算法模块对三方测试用例进行合并、排序并去重，生成推荐的测试用例列表；
(6)推荐展示模块将推荐的测试用例列表推送至用户，并收集用户的选择情况反馈至智能算法模块进行学习修正。
6.根据权利要求5所述的实现针对APP的测试用例智能推荐处理方法，其特征在于，所述的步骤(4)中从历史需求数据库中筛选推荐的测试用例的步骤，具体包括以下处理过程：
(1-4.1)根据关键词数组，从历史需求数据库中选出至少包含一个关键词的需求；
(1-4.2)对选出的需求，根据选中的关键词在本需求里的权重和在目标需求里的权重计算匹配度；
(1-4.3)对选出的需求关联的测试用例，根据需求的匹配度、用例优先级和创建时间，计算测试用例的匹配度，并进行排序。
7.根据权利要求5所述的实现针对APP的测试用例智能推荐处理方法，其特征在于，所述的步骤(4)中从历史测试用例数据库中筛选推荐的测试用例的步骤，具体包括以下处理过程：
(2-4.1)根据关键词数组，从历史测试用例数据库中选出至少包含一个关键词的测试用例；
(2-4.2)去除无效的测试用例；
(2-4.3)对选出的测试用例，根据命中的关键词在测试用例里的权重、在目标需求里的权重、测试用例的优先级和创建时间，计算测试用例的匹配度，并对测试用例进行排序。
8.根据权利要求5所述的实现针对APP的测试用例智能推荐处理方法，其特征在于，所述的步骤(4)中从历史测试问题数据库中筛选推荐的测试用例的步骤，具体包括以下处理过程：
(3-4.1)根据关键词数组，从历史测试问题数据库中选出至少包含一个关键词的测试问题；
(3-4.2)去除无效的测试问题；
(3-4.3)对选出的测试问题，根据命中的关键词在测试问题里的权重、在目标需求里的权重、测试问题的优先级和创建时间，计算测试问题的匹配度，并对测试用例进行排序。
9.一种用于实现针对APP的测试用例智能推荐处理的装置，其特征在于，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现权利要求5至8中任一项所述的实现针对APP的测试用例智能推荐处理方法的各个步骤。
10.一种用于实现针对APP的测试用例智能推荐处理的处理器，其特征在于，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现权利要求5至8中任一项所述的实现针对APP的测试用例智能推荐处理方法的各个步骤。
11.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现权利要求5至8中任一项所述的实现针对APP的测试用例智能推荐处理方法的各个步骤。
CN202210129626.7A 2022-02-11 2022-02-11 针对app的测试用例智能推荐处理系统、方法、装置、处理器及计算机可读存储介质 Pending CN114461530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210129626.7A CN114461530A (zh) 2022-02-11 2022-02-11 针对app的测试用例智能推荐处理系统、方法、装置、处理器及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210129626.7A CN114461530A (zh) 2022-02-11 2022-02-11 针对app的测试用例智能推荐处理系统、方法、装置、处理器及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114461530A true CN114461530A (zh) 2022-05-10

Family

ID=81414361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210129626.7A Pending CN114461530A (zh) 2022-02-11 2022-02-11 针对app的测试用例智能推荐处理系统、方法、装置、处理器及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114461530A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115269437A (zh) * 2022-08-24 2022-11-01 上海复深蓝软件股份有限公司 测试用例推荐方法、装置、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115269437A (zh) * 2022-08-24 2022-11-01 上海复深蓝软件股份有限公司 测试用例推荐方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
US11500818B2 (en) Method and system for large scale data curation
US11347749B2 (en) Machine learning in digital paper-based interaction
CN109948121A (zh) 文章相似度挖掘方法、系统、设备及存储介质
US10613841B2 (en) Task UI layout representing semantical relations
CN105518658A (zh) 用于将数据记录分组的设备、系统以及方法
US20110137876A1 (en) Data quality enhancement for smart grid applications
CN111274397B (zh) 建立实体关系检测模型的方法以及装置
CN113806550A (zh) 个性化知识图谱的生成方法、装置及计算机设备
US11526465B2 (en) Generating hash trees for database schemas
JP2018507450A (ja) 自動スキーマ不整合検出
CN102314440B (zh) 利用网络维护语言模型库的方法和系统
CA2853627C (en) Automatic creation of clinical study reports
CN111444181A (zh) 知识图谱更新方法、装置及电子设备
Daskalaki et al. Instance matching benchmarks in the era of linked data
JP2021193617A (ja) 医療データ検証方法、装置及び電子機器
CN110263345B (zh) 关键词提取方法、装置及存储介质
US20110078635A1 (en) Relationship map generator
CN114461530A (zh) 针对app的测试用例智能推荐处理系统、方法、装置、处理器及计算机可读存储介质
CN113032642A (zh) 针对目标对象的数据处理方法、装置、介质及电子设备
US20230394236A1 (en) Extracting content from freeform text samples into custom fields in a software application
CN110347934A (zh) 一种文本数据过滤方法、装置及介质
US11983747B2 (en) Using machine learning to identify hidden software issues
CN111931034A (zh) 数据搜索方法、装置、设备及存储介质
US20230316082A1 (en) Deterministic training of machine learning models
CN111737472A (zh) 文本分类模型的更新方法及系统、电子设备及存储介质

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