CN115373982A - 基于人工智能的测试报告分析方法、装置、设备及介质 - Google Patents
基于人工智能的测试报告分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115373982A CN115373982A CN202210949281.XA CN202210949281A CN115373982A CN 115373982 A CN115373982 A CN 115373982A CN 202210949281 A CN202210949281 A CN 202210949281A CN 115373982 A CN115373982 A CN 115373982A
- Authority
- CN
- China
- Prior art keywords
- test report
- error
- root cause
- test
- key points
- 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
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请适用于自动化测试技术领域,尤其涉及一种基于人工智能的测试报告分析方法、装置、设备及介质。该方法通过获取基于第一测试报告集构建的根因集合和训练集及第二测试报告集,提取第二测试报告集中每个测试报告的报错关键点,将每个报错关键点与根因集合进行匹配,得到根因字段,将根因字段作为对应测试报告的标注,根据标注后的测试报告和对应的报错关键点,生成测试数据向量构成测试集,将训练集与测试集进行K近邻相似性分析,确定相似性最大时对应的K值为目标个数,提取待分析测试报告的报错关键点,确定从根因集合中匹配到目标个数的根因为待分析测试报告的分析结果,从而实现测试报告的自动化分析,能够有效地提高测试开发效率。
Description
技术领域
本申请适用于自动化测试技术领域,尤其涉及一种基于人工智能的测试报告分析方法、装置、设备及介质。
背景技术
目前,测试人员在进行测试作业过程的前期会针对业务场景,规划编写用例集,编排用例上下文模拟业务场景.在执行用例结束后,一般会从工具平台获取到测试报告从测试报告中获取测试用例执行的结果进行分析,这种需要测试人员分析的原始作业,往往要根据原始报错时的信息,例如,报错日志、错误堆栈信息、断言数据、甚至响应数据,从而精准分析得到错误的大致根因。而这种初始分析会耗费大量时间,但是对于一般复杂软件系统来时,往往系统异常的产生是不可控的小型“沙堆实验”,现有技术并没有能够根据测试用例执行报告给出报错分析结果的技术,使得开发人员的测试效率被限制,造成资源浪费。因此,如何为测试报告进行自动化的预估分析,以提高测试开发效率成为亟待解决的问题。
发明内容
有鉴于此,本申请实施例提供了一种基于人工智能的测试报告分析方法、装置、设备及介质,以解决减少人工参与来实现预测任务,以提高效率和预测准确度的问题。
第一方面,本申请实施例提供一种基于人工智能的测试报告分析方法,所述测试报告分析方法包括:
获取基于第一测试报告集构建的根因集合和训练集,所述训练集包括至少一个训练数据向量,所述训练数据向量由标注根因字段的测试报告形成;
获取第二测试报告集,并提取所述第二测试报告集中每个测试报告的报错关键点,将每个报错关键点与所述根因集合进行匹配,得到对应报错关键点的根因字段;
将所述根因字段作为对应测试报告的标注,根据标注后的测试报告和对应的报错关键点,生成测试数据向量,得到测试集;
将所述训练集与所述测试集进行K近邻相似性分析,确定相似性最大时对应的K值为目标个数;
提取待分析测试报告的报错关键点,确定从所述根因集合中匹配到所述目标个数的根因为所述待分析测试报告的分析结果。
在一实施方式中,基于第一测试报告集构建的根因集合和训练集具体包括:
获取第一测试报告集,提取所述第一测试报告集中每个测试报告的报错关键点;
采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合;
将根因字段作为对应测试报告的标注,得到标注后的测试报告,将所述标注后的测试报告和对应的报错关键点进行向量化,确定向量化结果为训练集中一个训练数据向量。
在一实施方式中,提取所述第一测试报告集中每个测试报告的报错关键点包括:
提取所述第一测试报告集中每个测试报告的第一报错信息;
对所述第一报错信息进行降噪,确定降噪结果为报错关键点。
在一实施方式中,采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合包括:
提取所有报错关键点中为第一分类的第一类报错关键点;
采集人工对所述第一类报错关键点的第一类根因字段,将所述第一类报错关键点与对应的第一类根因字段映射形成第一映射集合,确定所述第一映射集合为根因集合。
在一实施方式中,采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合包括:
提取所有报错关键点中为第二分类的第二类报错关键点;
采集人工对所述第二类报错关键点的第二类根因字段,使用raise语句对所述第二类报错关键点进行编码,将编码结果与对应的第二类根因字段映射形成第二映射集合,确定所述第二映射集合为根因集合。
在一实施方式中,采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合包括:
提取所有报错关键点中为第三分类的第三类报错关键点;
采集人工对所述第三类报错关键点的第三类根因字段,将所述第三类报错关键点进行语义分析;
将语义分析结果与对应的第三类根因字段映射形成第三映射集合,确定所述第三映射集合为根因集合。
在一实施方式中,提取所述第二测试报告集中每个测试报告的报错关键点包括:
提取所述第二测试报告集中每个测试报告的第二报错信息;
对所述第二报错信息进行降噪,确定降噪结果为报错关键点。
第二方面,本申请实施例提供一种基于人工智能的测试报告分析装置,所述测试报告分析装置包括:
基准获取模块,用于获取基于第一测试报告集构建的根因集合和训练集,所述训练集包括至少一个训练数据向量,所述训练数据向量由标注根因字段的测试报告形成;
根因分析模块,用于获取第二测试报告集,并提取所述第二测试报告集中每个测试报告的报错关键点,将每个报错关键点与所述根因集合进行匹配,得到对应报错关键点的根因字段;
测试集生成模块,用于将所述根因字段作为对应测试报告的标注,根据标注后的测试报告和对应的报错关键点,生成测试数据向量,得到测试集;
相似性分析模块,用于将所述训练集与所述测试集进行K近邻相似性分析,确定相似性最大时对应的K值为目标个数;
分析结果确定模块,用于提取待分析测试报告的报错关键点,确定从所述根因集合中匹配到所述目标个数的根因为所述待分析测试报告的分析结果。
在一实施方式中,所述基准获取模块中基于第一测试报告集构建的根因集合和训练集具体包括:
关键点提取单元,用于获取第一测试报告集,提取所述第一测试报告集中每个测试报告的报错关键点;
根因集合形成单元,用于采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合;
训练集形成单元,用于将根因字段作为对应测试报告的标注,得到标注后的测试报告,将所述标注后的测试报告和对应的报错关键点进行向量化,确定向量化结果为训练集中一个训练数据向量。
在一实施方式中,所述关键点提取单元包括:
第一信息提取子单元,用于提取所述第一测试报告集中每个测试报告的第一报错信息;
第一关键点确定子单元,用于对所述第一报错信息进行降噪,确定降噪结果为报错关键点。
在一实施方式中,所述根因集合形成单元包括:
第一分类子单元,用于提取所有报错关键点中为第一分类的第一类报错关键点;
第一集合确定子单元,用于采集人工对所述第一类报错关键点的第一类根因字段,将所述第一类报错关键点与对应的第一类根因字段映射形成第一映射集合,确定所述第一映射集合为根因集合。
在一实施方式中,所述根因集合形成单元包括:
第二分类子单元,用于提取所有报错关键点中为第二分类的第二类报错关键点;
编码子单元,用于采集人工对所述第二类报错关键点的第二类根因字段,使用raise语句对所述第二类报错关键点进行编码;
第二集合确定子单元,用于将编码结果与对应的第二类根因字段映射形成第二映射集合,确定所述第二映射集合为根因集合。
在一实施方式中,所述根因集合形成单元包括:
第三分类子单元,用于提取所有报错关键点中为第三分类的第三类报错关键点;
语义分析子单元,用于采集人工对所述第三类报错关键点的第三类根因字段,将所述第三类报错关键点进行语义分析;
第三集合确定子单元,用于将语义分析结果与对应的第三类根因字段映射形成第三映射集合,确定所述第三映射集合为根因集合。
在一实施方式中,所述根因分析模块包括:
第二信息提取子单元,用于提取所述第二测试报告集中每个测试报告的第二报错信息;
第二关键点确定子单元,用于对所述第二报错信息进行降噪,确定降噪结果为报错关键点。
第三方面,本申请实施例提供一种计算机设备,所述计算机设备包括处理器、存储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如第一方面所述的测试报告分析方法。
第四方面,本申请实施例提供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如第一方面所述的测试报告分析方法。
本申请实施例与现有技术相比存在的有益效果是:本申请通过获取基于第一测试报告集构建的根因集合和训练集,获取第二测试报告集,提取第二测试报告集中每个测试报告的报错关键点,将每个报错关键点与根因集合进行匹配,得到对应报错关键点的根因字段,将根因字段作为对应测试报告的标注,根据标注后的测试报告和对应的报错关键点,生成测试数据向量,得到测试集,将训练集与测试集进行K近邻相似性分析,确定相似性最大时对应的K值为目标个数,提取待分析测试报告的报错关键点,确定从根因集合中匹配到目标个数的根因为待分析测试报告的分析结果,从而实现测试报告的自动化分析,能够有效地提高测试开发效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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他的附图。
图1是本申请实施例一提供的一种基于人工智能的测试报告分析方法的一应用环境示意图;
图2是本申请实施例二提供的一种基于人工智能的测试报告分析方法的流程示意图;
图3是本申请实施例三提供的一种基于人工智能的测试报告分析方法的流程示意图;
图4是本申请实施例四提供的一种基于人工智能的测试报告分析装置的结构示意图;
图5是本申请实施例五提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请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。
应理解,以下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,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案,下面通过具体实施例来进行说明。
本申请实施例一提供的一种基于人工智能的测试报告分析方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、云端计算机设备、个人数字助理(personal digital assistant,PDA)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参见图2,是本申请实施例二提供的一种基于人工智能的测试报告分析方法的流程示意图,上述基于人工智能的测试报告分析方法应用于图1中的服务端,服务端对应的计算机设备连接相应的数据库,以获取数据库中相应的数据。上述计算机设备还可以连接相应的客户端,客户端为用户所操作,用户可以通过客户端向服务端提供相应的测试报告。如图2所示,该基于人工智能的测试报告分析方法可以包括以下步骤:
步骤S201,获取基于第一测试报告集构建的根因集合和训练集。
本申请中,第一测试报告集为用户使用相应的测试用例对一待测试系统进行测试后得到的测试报告,测试报告一般含有相应的测试结果、测试时长、测试过程信息等,另外,测试报告中还包含有出错时所使用的测试用例的上下文信息等,从而有助于判断出错原因。
根因集合可以是指测试报告中出错的根因的集合,根因可以是指导致出错的最终原因,在得到第一测试报告集后,采用人工的方式对测试报告中出错的最终原因进行分析和定因,定因即是以语句或者字段的形式表征根因。
对第一测试报告进行分析,确定每个测试报告中的报错关键点,以及报错关键点对应的根因字段,其中,使用根因字段标注测试报告构成一组训练数据向量,即形成训练集。训练集包括至少一个训练数据向量,训练数据向量由标注根因字段的测试报告形成。
可选的是,基于第一测试报告集构建的根因集合和训练集具体包括:
获取第一测试报告集,提取第一测试报告集中每个测试报告的报错关键点;
采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合;
将根因字段作为对应测试报告的标注,得到标注后的测试报告,将标注后的测试报告和对应的报错关键点进行向量化,确定向量化结果为训练集中一个训练数据向量。
其中,在使用时,针对测试报告显示对应的报错关键点,以及根因字段输入项,将报错关键点展示给用户后,用户通过在根因字段输入项中输入相应的数据,形成根因字段,也即是报错关键点与根因字段形成映射关系,该映射关系集合在一起即为根因集合。
具体地,将标注了根因字段的测试报告与报错关键点一起进行向量化,将其向量化结果也即是一个向量作为训练集中一个,当然,在其他实施方式中也可以将其他能够表征根因字段、报错关键点和测试报告的特征的内容进行向量化,例如,仅使用测试报告中报错关键点对应的测试用例的上下文信息。
可选的是,提取第一测试报告集中每个测试报告的报错关键点包括:
提取第一测试报告集中每个测试报告的第一报错信息;
对第一报错信息进行降噪,确定降噪结果为报错关键点。
其中,采用人工智能的方式可以对测试报告中的报错信息进行提取,例如,采用特征识别的方式,定位测试报告中表征报错信息的起始位置和终止位置,提取起始位置和终止位置之间的内容为报错信息。
在得到报错信息之后,对报错信息进行降噪,除去非必要的语气词、助词等表述,最终留下报错关键点即报错关键词、报错关键语句等。
可选的是,采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合包括:
提取所有报错关键点中为第一分类的第一类报错关键点;
采集人工对第一类报错关键点的第一类根因字段,将第一类报错关键点与对应的第一类根因字段映射形成第一映射集合,确定第一映射集合为根因集合。
其中,就根因集合而言,不同类型的报错关键点对应的根因类型也不相同,例如,针对常见的报错关键点,其对应的关键词、关键语句等为固定的,不会存在歧义,因此,将这部分报错关键点直接与根因字段对应,得到第一映射集合。
此第一映射集合可表达为一个白名单,在后续的匹配过程中无需过多的编码、语义分析等即可得到对应的根因,从而提高了确定根因的效率。
可选的是,采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合包括:
提取所有报错关键点中为第二分类的第二类报错关键点;
采集人工对第二类报错关键点的第二类根因字段,使用raise语句对第二类报错关键点进行编码,将编码结果与对应的第二类根因字段映射形成第二映射集合,确定第二映射集合为根因集合。
其中,就根因集合而言,不同类型的报错关键点对应的根因类型也不相同,例如,针对不用业务领域的报错关键点,其对应的关键词、关键语句等虽然不固定,但与业务领域相关,采用raise语句进行编码的方式,可以划分不同领域的不同关键词或语句对应的根因,因此,将这部分报错关键点需要编码后与根因字段对应,得到第二映射集合。
此第二映射集合可表达为一个需要编码在进行匹配的名单,在后续的匹配过程中需要对待匹配量进行的编码,再将编码结果进行匹配,一定程度上能够提高匹配的准确率。
可选的是,采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合包括:
提取所有报错关键点中为第三分类的第三类报错关键点;
采集人工对第三类报错关键点的第三类根因字段,将第三类报错关键点进行语义分析;
将语义分析结果与对应的第三类根因字段映射形成第三映射集合,确定第三映射集合为根因集合。
其中,就根因集合而言,不同类型的报错关键点对应的根因类型也不相同,例如,针对其他的或者定义的一些报错关键点,其对应的关键词、关键语句等更加不固定且没有规律可循,需要对其进行语义分析,以得到语义分析结果,即表征出报错关键点的真实含义。因此,将这部分报错关键点对应的语义分析结果与根因字段对应,得到第三映射集合。
此第三映射集合可表达为一个需要语义分析进行匹配的名单,在后续的匹配过程中采用语义分析的方式对待匹配量进行分析,以匹配到对应的根因,一定程度上能够提高匹配的准确率。
步骤S202,获取第二测试报告集,并提取第二测试报告集中每个测试报告的报错关键点,将每个报错关键点与根因集合进行匹配,得到对应报错关键点的根因字段。
本申请中,第二测试报告集为用户使用相应的测试用例对上述待测试系统进行测试后得到的测试报告,测试报告一般含有相应的测试结果、测试时长、测试过程信息等,另外,测试报告中还包含有出错时所使用的测试用例的上下文信息等,从而有助于判断出错原因。
同样地,报错关键点为表征测试报告中错误的关键词、关键语句等,将报错关键点与上述的根因集合进行匹配,可以确定每个报错关键点对应的根因字段,即确定每个错误对应的原因。
可选的是,提取第二测试报告集中每个测试报告的报错关键点包括:
提取第二测试报告集中每个测试报告的第二报错信息;
对第二报错信息进行降噪,确定降噪结果为报错关键点。
其中,采用人工智能的方式可以对测试报告中的报错信息进行提取,例如,采用特征识别的方式,定位测试报告中表征报错信息的起始位置和终止位置,提取起始位置和终止位置之间的内容为报错信息。
在得到报错信息之后,对报错信息进行降噪,除去非必要的语气词、助词等表述,最终留下报错关键点即报错关键词、报错关键语句等。
匹配可以采用词或者语句的相似度匹配,匹配过程中可以以百分之百命中作为条件,以取得最为准确的结果。
步骤S203,将根因字段作为对应测试报告的标注,根据标注后的测试报告和对应的报错关键点,生成测试数据向量,得到测试集。
本申请中,在得到第二测试报告集中测试报告的报错关键点对应的根因字段时,将该根因字段作为测试报告的标注,形成标注后的测试报告,将该标注后的测试报告和对应的报错关键点进行向量表示,表示的结果即为一个测试数据向量,进而得到测试集。
为了增加训练集与测试集在后续分析时的适配性,生成测试数据向量的过程以及参数与生成训练数据向量的过程以及参数相同,具体地,将标注了根因字段的测试报告与报错关键点一起进行向量化,将其向量化结果也即是一个向量作为训练集中一个,当然,在其他实施方式中也可以将其他能够表征根因字段、报错关键点和测试报告的特征的内容进行向量化,例如,仅使用测试报告中报错关键点对应的测试用例的上下文信息。
步骤S204,将训练集与测试集进行K近邻相似性分析,确定相似性最大时对应的K值为目标个数。
本申请中,K近邻即为(K-Nearest Neighbor,KNN),目的是从训练集中找到和新数据最接近的K条记录,然后根据K条记录主要分类来决定新数据的类别。该算法涉及3个主要因素:训练集、距离或相似的衡量、K的大小。
针对任意的K值分别进行以下内容:
1)算距离:给定测试对象,计算它与训练集中的每个对象的距离;
2)找邻居:圈定距离最近的K个训练对象,作为测试对象的近邻;
3)计算相似度:将最终测试对象与训练对象进行相似度计算,保留所有K值情况的相似度结果,其中,相似度结果可以为整体相似度的平均值;
4)找最大:即确定相似度结果最大时对应的K值。
其中,距离越近应该意味着这两个点属于一个分类的可能性越大,距离衡量包括欧式距离、夹角余弦等,本申请中对于文本的向量而言,使用余弦(cosine)来计算相似度就比欧式(Euclidean)距离更合适。
步骤S205,提取待分析测试报告的报错关键点,确定从根因集合中匹配到目标个数的根因为待分析测试报告的分析结果。
本申请中,针对待分析测试报告而言,采用与第一测试报告集和第二测试报告集中测试报告提取报错关键点相同的方式,提取待分析测试报告的报错关键点。
采用匹配的方式从根因集合中匹配到与报错关键点对应的根因,匹配的根因个数为上述K值对应的个数,例如,K值为3,相应地,待分析测试报告最终会匹配到3个根因,从而自适应地给出一定个数的根因,而非以人为设定的方式生成根因,保证了根因生成的客观性,提高了准确性。
本申请实施例通过获取基于第一测试报告集构建的根因集合和训练集,获取第二测试报告集,提取第二测试报告集中每个测试报告的报错关键点,将每个报错关键点与根因集合进行匹配,得到对应报错关键点的根因字段,将根因字段作为对应测试报告的标注,根据标注后的测试报告和对应的报错关键点,生成测试数据向量,得到测试集,将训练集与测试集进行K近邻相似性分析,确定相似性最大时对应的K值为目标个数,提取待分析测试报告的报错关键点,确定从根因集合中匹配到目标个数的根因为待分析测试报告的分析结果,从而实现测试报告的自动化分析,能够有效地提高测试开发效率。
参见图3,是本申请实施例三提供的一种基于人工智能的测试报告分析方法的流程示意图,如图3所示,该基于人工智能的测试报告分析方法可以包括以下步骤:
步骤S301,获取基于第一测试报告集构建的训练集、第一映射集合、第二映射集合和第三映射集合。
本申请中,就根因集合而言,不同类型的报错关键点对应的根因类型也不相同,例如,针对常见的报错关键点,其对应的关键词、关键语句等为固定的,不会存在歧义,因此,将这部分报错关键点直接与根因字段对应,得到第一映射集合,又如,针对不用业务领域的报错关键点,其对应的关键词、关键语句等虽然不固定,但与业务领域相关,采用raise语句进行编码的方式,可以划分不同领域的不同关键词或语句对应的根因,因此,将这部分报错关键点需要编码后与根因字段对应,得到第二映射集合,再如,针对其他的或者定义的一些报错关键点,其对应的关键词、关键语句等更加不固定且没有规律可循,需要对其进行语义分析,以得到语义分析结果,即表征出报错关键点的真实含义。因此,将这部分报错关键点对应的语义分析结果与根因字段对应,得到第三映射集合。
将上述三个映射集合共同作为根因集合,用于后续的匹配工作,有助于提高效率和准确率。
步骤S302,获取第二测试报告集,并提取第二测试报告集中每个测试报告的报错关键点。
其中,步骤S302与上述步骤S202的部分内容相同,可参考步骤S202的描述,在此不再赘述。
步骤S303,将每个报错关键点与第一映射集合进行匹配,得到对应报错关键点的根因字段。
本申请中,此第一映射集合可表达为一个白名单,在后续的匹配过程中无需过多的编码、语义分析等即可得到对应的根因,从而提高了确定根因的效率。
步骤S304,使用raise语句对与第一映射集合未匹配的报错关键点进行编码,将编码结果与第二映射集合进行匹配,得到对应报错关键点的根因字段。
本申请中,此第二映射集合可表达为一个需要编码在进行匹配的名单,在后续的匹配过程中需要对待匹配量进行的编码,再将编码结果进行匹配,一定程度上能够提高匹配的准确率。
步骤S305,对与第一映射集合和第二映射集合未匹配的报错关键点进行语义分析,将语义分析结果与第三映射集合进行匹配,得到对应报错关键点的根因字段。
本申请中,此第三映射集合可表达为一个需要语义分析进行匹配的名单,在后续的匹配过程中采用语义分析的方式对待匹配量进行分析,以匹配到对应的根因,一定程度上能够提高匹配的准确率。
步骤S306,将根因字段作为对应测试报告的标注,根据标注后的测试报告和对应的报错关键点,生成测试数据向量,得到测试集。
步骤S307,将训练集与测试集进行K近邻相似性分析,确定相似性最大时对应的K值为目标个数。
步骤S308,提取待分析测试报告的报错关键点,确定从根因集合中匹配到目标个数的根因为待分析测试报告的分析结果。
其中,步骤S306至步骤S308与上述步骤S203至步骤S205的内容相同,可参考步骤S203至步骤S205的描述,在此不再赘述。
本申请实施例通过获取基于第一测试报告集构建的训练集、第一映射集合、第二映射集合和第三映射集合,获取第二测试报告集,并提取第二测试报告集中每个测试报告的报错关键点,将每个报错关键点与第一映射集合进行匹配,得到对应报错关键点的根因字段,使用raise语句对与第一映射集合未匹配的报错关键点进行编码,将编码结果与第二映射集合进行匹配,得到对应报错关键点的根因字段,对与第一映射集合和第二映射集合未匹配的报错关键点进行语义分析,将语义分析结果与第三映射集合进行匹配,得到对应报错关键点的根因字段,将根因字段作为对应测试报告的标注,根据标注后的测试报告和对应的报错关键点,生成测试数据向量,得到测试集,将训练集与测试集进行K近邻相似性分析,确定相似性最大时对应的K值为目标个数,提取待分析测试报告的报错关键点,确定从根因集合中匹配到目标个数的根因为待分析测试报告的分析结果,从而实现测试报告的自动化分析,能够有效地提高测试开发效率,将上述三个映射集合共同作为根因集合,用于后续的匹配工作,有助于提高效率和准确率。
对应于上文实施例的基于人工智能的测试报告分析方法,图4示出了本申请实施例四提供的基于人工智能的测试报告分析装置的结构框图,上述测试报告分析装置应用于图1中的服务端,服务端对应的计算机设备连接相应的数据库,以获取数据库中相应的数据。上述计算机设备还可以连接相应的客户端,客户端为用户所操作,用户可以通过客户端向服务端提供相应的测试报告。为了便于说明,仅示出了与本申请实施例相关的部分。
参见图4,该测试报告分析装置包括:
基准获取模块41,用于获取基于第一测试报告集构建的根因集合和训练集,训练集包括至少一个训练数据向量,训练数据向量由标注根因字段的测试报告形成;
根因分析模块42,用于获取第二测试报告集,并提取第二测试报告集中每个测试报告的报错关键点,将每个报错关键点与根因集合进行匹配,得到对应报错关键点的根因字段;
测试集生成模块43,用于将根因字段作为对应测试报告的标注,根据标注后的测试报告和对应的报错关键点,生成测试数据向量,得到测试集;
相似性分析模块44,用于将训练集与测试集进行K近邻相似性分析,确定相似性最大时对应的K值为目标个数;
分析结果确定模块45,用于提取待分析测试报告的报错关键点,确定从根因集合中匹配到目标个数的根因为待分析测试报告的分析结果。
可选的是,基准获取模块41中基于第一测试报告集构建的根因集合和训练集具体包括:
关键点提取单元,用于获取第一测试报告集,提取第一测试报告集中每个测试报告的报错关键点;
根因集合形成单元,用于采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合;
训练集形成单元,用于将根因字段作为对应测试报告的标注,得到标注后的测试报告,将标注后的测试报告和对应的报错关键点进行向量化,确定向量化结果为训练集中一个训练数据向量。
可选的是,关键点提取单元包括:
第一信息提取子单元,用于提取第一测试报告集中每个测试报告的第一报错信息;
第一关键点确定子单元,用于对第一报错信息进行降噪,确定降噪结果为报错关键点。
可选的是,根因集合形成单元包括:
第一分类子单元,用于提取所有报错关键点中为第一分类的第一类报错关键点;
第一集合确定子单元,用于采集人工对第一类报错关键点的第一类根因字段,将第一类报错关键点与对应的第一类根因字段映射形成第一映射集合,确定第一映射集合为根因集合。
可选的是,根因集合形成单元包括:
第二分类子单元,用于提取所有报错关键点中为第二分类的第二类报错关键点;
编码子单元,用于采集人工对第二类报错关键点的第二类根因字段,使用raise语句对第二类报错关键点进行编码;
第二集合确定子单元,用于将编码结果与对应的第二类根因字段映射形成第二映射集合,确定第二映射集合为根因集合。
可选的是,根因集合形成单元包括:
第三分类子单元,用于提取所有报错关键点中为第三分类的第三类报错关键点;
语义分析子单元,用于采集人工对第三类报错关键点的第三类根因字段,将第三类报错关键点进行语义分析;
第三集合确定子单元,用于将语义分析结果与对应的第三类根因字段映射形成第三映射集合,确定第三映射集合为根因集合。
可选的是,根因分析模块42包括:
第二信息提取子单元,用于提取第二测试报告集中每个测试报告的第二报错信息;
第二关键点确定子单元,用于对第二报错信息进行降噪,确定降噪结果为报错关键点。
需要说明的是,上述模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图5为本申请实施例五提供的一种计算机设备的结构示意图。如图5所示,该实施例的计算机设备包括:至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意各个基于人工智能的测试报告分析方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图5仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)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。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。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备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,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
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。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的测试报告分析方法,其特征在于,所述测试报告分析方法包括:
获取基于第一测试报告集构建的根因集合和训练集,所述训练集包括至少一个训练数据向量,所述训练数据向量由标注根因字段的测试报告形成;
获取第二测试报告集,并提取所述第二测试报告集中每个测试报告的报错关键点,将每个报错关键点与所述根因集合进行匹配,得到对应报错关键点的根因字段;
将所述根因字段作为对应测试报告的标注,根据标注后的测试报告和对应的报错关键点,生成测试数据向量,得到测试集;
将所述训练集与所述测试集进行K近邻相似性分析,确定相似性最大时对应的K值为目标个数;
提取待分析测试报告的报错关键点,确定从所述根因集合中匹配到所述目标个数的根因为所述待分析测试报告的分析结果。
2.根据权利要求1所述的测试报告分析方法,其特征在于,基于第一测试报告集构建的根因集合和训练集具体包括:
获取第一测试报告集,提取所述第一测试报告集中每个测试报告的报错关键点;
采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合;
将根因字段作为对应测试报告的标注,得到标注后的测试报告,将所述标注后的测试报告和对应的报错关键点进行向量化,确定向量化结果为训练集中一个训练数据向量。
3.根据权利要求2所述的测试报告分析方法,其特征在于,提取所述第一测试报告集中每个测试报告的报错关键点包括:
提取所述第一测试报告集中每个测试报告的第一报错信息;
对所述第一报错信息进行降噪,确定降噪结果为报错关键点。
4.根据权利要求2所述的测试报告分析方法,其特征在于,采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合包括:
提取所有报错关键点中为第一分类的第一类报错关键点;
采集人工对所述第一类报错关键点的第一类根因字段,将所述第一类报错关键点与对应的第一类根因字段映射形成第一映射集合,确定所述第一映射集合为根因集合。
5.根据权利要求2所述的测试报告分析方法,其特征在于,采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合包括:
提取所有报错关键点中为第二分类的第二类报错关键点;
采集人工对所述第二类报错关键点的第二类根因字段,使用raise语句对所述第二类报错关键点进行编码,将编码结果与对应的第二类根因字段映射形成第二映射集合,确定所述第二映射集合为根因集合。
6.根据权利要求2所述的测试报告分析方法,其特征在于,采集人工对所有报错关键点的根因字段,将所有的根因字段与对应的报错关键点映射形成根因集合包括:
提取所有报错关键点中为第三分类的第三类报错关键点;
采集人工对所述第三类报错关键点的第三类根因字段,将所述第三类报错关键点进行语义分析;
将语义分析结果与对应的第三类根因字段映射形成第三映射集合,确定所述第三映射集合为根因集合。
7.根据权利要求1至6任一项所述的测试报告分析方法,其特征在于,提取所述第二测试报告集中每个测试报告的报错关键点包括:
提取所述第二测试报告集中每个测试报告的第二报错信息;
对所述第二报错信息进行降噪,确定降噪结果为报错关键点。
8.一种基于人工智能的测试报告分析装置,其特征在于,所述测试报告分析装置包括:
基准获取模块,用于获取基于第一测试报告集构建的根因集合和训练集,所述训练集包括至少一个训练数据向量,所述训练数据向量由标注根因字段的测试报告形成;
根因分析模块,用于获取第二测试报告集,并提取所述第二测试报告集中每个测试报告的报错关键点,将每个报错关键点与所述根因集合进行匹配,得到对应报错关键点的根因字段;
测试集生成模块,用于将所述根因字段作为对应测试报告的标注,根据标注后的测试报告和对应的报错关键点,生成测试数据向量,得到测试集;
相似性分析模块,用于将所述训练集与所述测试集进行K近邻相似性分析,确定相似性最大时对应的K值为目标个数;
分析结果确定模块,用于提取待分析测试报告的报错关键点,确定从所述根因集合中匹配到所述目标个数的根因为所述待分析测试报告的分析结果。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储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如权利要求1至7任一项所述的测试报告分析方法。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的测试报告分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949281.XA CN115373982A (zh) | 2022-08-09 | 2022-08-09 | 基于人工智能的测试报告分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949281.XA CN115373982A (zh) | 2022-08-09 | 2022-08-09 | 基于人工智能的测试报告分析方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115373982A true CN115373982A (zh) | 2022-11-22 |
Family
ID=84064266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210949281.XA Pending CN115373982A (zh) | 2022-08-09 | 2022-08-09 | 基于人工智能的测试报告分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115373982A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905399A (zh) * | 2022-12-21 | 2023-04-04 | 湖南嘉创信息科技发展有限公司 | 基于人工智能的大数据可视化分析方法及系统 |
-
2022
- 2022-08-09 CN CN202210949281.XA patent/CN115373982A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905399A (zh) * | 2022-12-21 | 2023-04-04 | 湖南嘉创信息科技发展有限公司 | 基于人工智能的大数据可视化分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781276A (zh) | 文本抽取方法、装置、设备及存储介质 | |
US20220138240A1 (en) | Source code retrieval | |
CN116719520B (zh) | 代码生成方法及装置 | |
CN113268615A (zh) | 资源标签生成方法、装置、电子设备及存储介质 | |
CN113935314A (zh) | 基于异构图网络的摘要抽取方法、装置、终端设备及介质 | |
CN111460810A (zh) | 众包任务的抽检方法、装置、计算机设备及存储介质 | |
CN112990035A (zh) | 一种文本识别的方法、装置、设备以及存储介质 | |
CN117520503A (zh) | 基于llm模型的金融客服对话生成方法、装置、设备及介质 | |
CN113806492B (zh) | 基于语义识别的记录生成方法、装置、设备及存储介质 | |
CN111125443A (zh) | 一种基于自动去重的试题题库在线更新方法 | |
CN115373982A (zh) | 基于人工智能的测试报告分析方法、装置、设备及介质 | |
CN110750297A (zh) | 一种基于程序分析和文本分析的Python代码参考信息生成方法 | |
CN117727043A (zh) | 信息重构模型的训练、图像检索方法、装置及设备 | |
CN112597299A (zh) | 文本的实体分类方法、装置、终端设备和存储介质 | |
CN113836297B (zh) | 文本情感分析模型的训练方法及装置 | |
CN112989040B (zh) | 一种对话文本标注方法、装置、电子设备及存储介质 | |
CN115510188A (zh) | 文本关键词关联方法、装置、设备及存储介质 | |
CN114139530A (zh) | 同义词提取方法、装置、电子设备及存储介质 | |
CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
CN113505117A (zh) | 基于数据指标的数据质量评估方法、装置、设备及介质 | |
CN114238663B (zh) | 一种材料数据用知识图谱分析方法、系统、电子设备及介质 | |
CN116467419A (zh) | 基于人工智能的对话生成方法、装置、计算机设备及介质 | |
CN117952092A (zh) | 数据业务类型识别方法、装置、计算机设备及存储介质 | |
CN117522596A (zh) | 一种基于人工智能的核保方法、装置、设备及介质 | |
CN113743096A (zh) | 一种基于自然语言处理的众包测试报告相似度检测的方法 |
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 |