CN116610592B - 基于自然语言处理技术的可定制软件测试评价方法及系统 - Google Patents
基于自然语言处理技术的可定制软件测试评价方法及系统 Download PDFInfo
- Publication number
- CN116610592B CN116610592B CN202310890278.XA CN202310890278A CN116610592B CN 116610592 B CN116610592 B CN 116610592B CN 202310890278 A CN202310890278 A CN 202310890278A CN 116610592 B CN116610592 B CN 116610592B
- Authority
- CN
- China
- Prior art keywords
- data
- software
- software test
- evaluation
- test evaluation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 300
- 238000003058 natural language processing Methods 0.000 title claims abstract description 69
- 238000005516 engineering process Methods 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 76
- 238000013522 software testing Methods 0.000 claims abstract description 63
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000010276 construction Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 72
- 230000008451 emotion Effects 0.000 claims description 54
- 238000002372 labelling Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 36
- 238000004140 cleaning Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 23
- 230000007246 mechanism Effects 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000009193 crawling Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 230000002996 emotional effect Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 241000270322 Lepidosauria Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- 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
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic 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
- G06N3/045—Combinations of 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及自然语言处理技术领域,尤其涉及一种基于自然语言处理技术的可定制软件测试评价方法及系统。该方法包括以下步骤:通过网络爬虫技术进行数据采集并通过自然语言处理对抓取的数据进行文本抽取,从而获取软件测试评价语料数据;对软件测试评价语料数据进行特征提取,从而获取软件测试评价语料特征数据;对软件测试评价语料特征数据进行深度自然语言模型构建,从而获取软件测试自然语言处理模型;获取软件测试数据,并利用软件测试自然语言处理模型对软件测试数据进行处理,从而获取软件分析测试报告;对软件分析测试报告进行软件指标评价,从而获取软件评价指标反馈数据。本发明提高了对软件测试数据的理解和处理能力。
Description
技术领域
本发明涉及自然语言处理技术领域,尤其涉及一种基于自然语言处理技术的可定制软件测试评价方法及系统。
背景技术
自然语言处理(Natural Language Processing,NLP)技术是一门研究如何使计算机能够理解、处理和生成人类自然语言的技术领域。它涉及了语言学、计算机科学和人工智能的多个学科的交叉,并致力于开发算法和模型,使计算机能够识别、理解和生成人类语言的各种表达形式,包括文本、语音和对话等。可定制软件测试评价方法是一种针对特定软件项目和测试需求进行定制的评价方法。它结合了软件测试和评价的理论与方法,通过使用自然语言处理技术对软件测试数据进行处理和分析,生成可定制的评价报告和指标,以评估和改进软件的质量和性能。传统的软件测试评价方法通常依赖于人工标注和主观判断,评价结果可能受评价者主观意见和标注误差的影响,导致评价结果的不一致性和不准确性。
发明内容
本发明为解决上述技术问题,提出了一种基于自然语言处理技术的可定制软件测试评价方法及系统,以解决至少一个上述技术问题。
本申请提供了一种基于自然语言处理技术的可定制软件测试评价方法,包括以下步骤:
步骤S1:通过网络爬虫技术进行数据采集并通过自然语言处理对抓取的数据进行文本抽取,从而获取软件测试评价语料数据;
步骤S2:对软件测试评价语料数据进行特征提取,从而获取软件测试评价语料特征数据;
步骤S3:对软件测试评价语料特征数据进行深度自然语言模型构建,从而获取软件测试自然语言处理模型;
步骤S4:获取软件测试数据,并利用软件测试自然语言处理模型对软件测试数据进行处理,从而获取软件分析测试报告;
步骤S5:对软件分析测试报告进行软件指标评价,从而获取软件评价指标反馈数据。
本发明中通过网络爬虫技术进行数据采集,自动抓取软件测试评价数据,避免了手动收集的繁琐过程,提高了数据采集的效率。通过自然语言处理对抓取的数据进行文本抽取,有效地从原始数据中提取出有用的文本内容,提供了更加精确和可靠的软件测试评价语料数据。利用深度自然语言模型对软件测试评价语料数据进行建模和学习,能够捕捉到更丰富的语义信息和上下文关系,提高了对软件测试数据的理解和处理能力。利用软件测试自然语言处理模型对软件测试数据进行处理,生成软件分析测试报告,该报告基于对软件测试数据的深入分析和理解,能够提供准确、全面的测试结果和评估。通过软件测试自然语言处理模型对软件测试数据进行处理,自动提取出重要的信息和特征,实现了对软件测试数据的智能化处理,减少了人工干预的工作量和错误率。
优选地,步骤S1具体为:
步骤S11:利用预设的网络爬虫引擎从互联网采集软件测试评价原始数据;
步骤S12:对软件测试评价原始数据进行评价数据清洗并评价数据降噪,从而获取软件测试评价清洗数据;
步骤S13:对软件测试评价清洗数据进行评价数据标注,从而获取软件测试评价标注数据;
步骤S14:对软件测试评价标注数据进行文本特征提取以及偏好特征提取,从而获取软件测试评价文本特征数据以及软件测试评价偏向特征数据;
步骤S15:对软件测试评价文本特征数据以及软件测试评价偏向特征数据进行特征数据划分,从而获取软件测试评价训练数据集、软件测试评价验证数据集以及软件测试评价测试数据集;
步骤S16:对软件测试评价训练数据集、软件测试评价验证数据集以及软件测试评价测试数据集进行数据规范化处理,从而获取软件测试评价语料数据。
本发明中利用网络爬虫引擎从互联网采集软件测试评价原始数据,实现了对数据采集过程的自动化,提高了效率和准确性。对采集到的软件测试评价原始数据进行清洗和降噪处理,去除无效数据和噪声,提高了数据的质量和可用性。对清洗后的软件测试评价数据进行标注,为后续的特征提取和模型训练提供了有标签的数据集。通过对标注数据进行文本特征提取和偏好特征提取,提取了软件测试评价数据中的关键特征,为后续的数据分析和模型训练提供了有用的信息。将提取的特征数据划分为训练数据集、验证数据集和测试数据集,为模型的训练、优化和评估提供了合理的数据划分。对划分的数据集进行规范化处理,统一数据格式和表示方式,提高了数据的一致性和可处理性。
优选地,步骤S13的步骤具体为:
步骤S131:确定软件测试评价清洗数据对应的软件测试评价原始数据包括软件测试标注数据时,则利用软件测试标注数据对软件测试评价清洗数据进行评价数据标注,从而获取软件测试评价标注数据;
步骤S132:确定软件测试评价清洗数据对应的软件测试评价原始数据不包括软件测试标注数据时,则对软件测试评价清洗数据对应的软件测试评价原始数据进行关键词捕捉,从而获取软件测试关键词数据;
步骤S133:利用预设的软件测试关键词偏向数据对软件测试关键词数据进行软件测试标注偏向计算,从而获取软件测试评价标注数据;
步骤S134:利用软件测试评价标注数据对软件测试评价清洗数据进行评价数据标注,从而获取软件测试评价标注数据。
本发明中通过对软件测试评价清洗数据进行评价数据标注,利用软件测试标注数据或软件测试关键词数据进行标注,实现了对数据的自动化标注,减少了人工标注的工作量和时间消耗。通过利用软件测试标注数据或软件测试关键词数据进行标注,可以提高标注数据的准确性和一致性,减少了标注过程中的主观误差和不一致性。通过利用预设的软件测试关键词偏向数据对软件测试关键词数据进行软件测试标注偏向计算,可以更加准确地确定标注数据中的偏向特征,提高了标注数据的可靠性。通过软件测试评价标注数据,为后续的特征提取和模型训练提供了有标签的评价数据集,可以用于监督学习和模型训练的任务。
优选地,软件测试标注偏向计算通过软件测试标注偏向计算公式进行计算,其中软件测试标注偏向计算公式具体为:
;
为软件测试标注偏向数据,/>为软件测试关键词数据,/>为软件测试底数常数项,/>为软件测试关键词的数量数据,/>为软件测试关键词序次项,/>为缩放指数,/>为第/>个软件测试关键词,/>为第/>个软件测试评价标注数据。
本发明构造了一种软件测试标注偏向计算公式,该计算公式通过比较软件测试关键词数据和对应的标注数据之间的平方差项,计算软件测试标注偏向程度。它可以量化软件测试关键词与标注数据之间的偏离程度,帮助确定关键词的标注偏向程度。通过计算软件测试标注偏向数据,可以为软件测试提供定量的指标,帮助分析和评估软件测试中的关键词和标注数据之间的关系。在计算公式中,不同的参数相互作用,影响着计算结果。例如,缩放指数可以调整平方差项的权重,/>可以改变对数函数的底数。通过调整这些参数的取值,可以改变计算结果,从而探索不同的标注偏向度量方法和分析角度。软件测试标注偏向数据/>表示通过计算得到的软件测试关键词数据对应的标注偏向程度。软件测试关键词数据/>是软件测试中的关键词集合,用于表示软件测试的特征和属性。软件测试关键词的数量数据/>表示软件测试关键词的数量,用于进行平均值的计算。软件测试关键词序次项/>表示软件测试关键词的序号,用于指定某个关键词的位置。该计算公式通过数学运算和参数调整,提供了一种衡量软件测试关键词数据与标注数据之间偏向程度的定量指标,有助于分析和评估软件测试中的关键词与标注数据的关系,进而提升软件测试的质量和准确性。
优选地,软件测试评价语料特征数据包括文本摘要表示数据以及情感特征提取数据,步骤S2具体为:
步骤S21对软件测试评价语料数据进行词袋矩阵转化,从而获取软件测试评价词袋矩阵数据;
步骤S22对软件测试评价词袋矩阵数据进行优化TF-IDF权重计算,从而获取TF-IDF词袋矩阵数据;
步骤S23:对TF-IDF词袋矩阵数据进行词嵌入训练,从而获取TF-IDF词袋词嵌入模型;
步骤S24:对TF-IDF词袋词嵌入模型进行向量转换,从而获取句子嵌入向量数据;
步骤S25:对句子嵌入向量数据进行主题模型构建,从而构建软件测试评价主题模型;
步骤S26:对软件测试评价主题模型进行文本摘要提取以及情感特征提取,从而获取文本摘要表示数据以及情感特征提取数据。
本发明中通过步骤S21到步骤S26,从原始的软件测试评价语料数据中提取了丰富的特征,包括词袋矩阵数据、TF-IDF权重、词嵌入模型、句子嵌入向量、主题模型以及文本摘要表示数据和情感特征提取数据。这些特征能够更全面、准确地描述和表达软件测试评价的内容和特点。通过步骤S23和步骤S24,将词袋矩阵数据转化为词嵌入模型和句子嵌入向量,实现了对软件测试评价语料数据的语义表示。这种表示方式能够捕捉到单词和句子之间的语义关联,更好地表达文本的含义和语境。通过步骤S25,构建了软件测试评价主题模型。主题模型能够自动地从大量的文本数据中抽取主题信息,帮助理解和归纳软件测试评价的核心内容和主题分布。通过步骤S26,对软件测试评价主题模型进行文本摘要提取和情感特征提取。这有助于从大量的评价数据中提取出关键信息和情感倾向,帮助用户快速了解评价的要点和情感色彩。
优选地,优化TF-IDF权重计算通过优化TF-IDF权重计算公式进行计算,其中优化TF-IDF权重计算公式具体为:
;
为词语/>在文档/>中的优化TF-IDF权重,/>为TF-IDF底数常数项,/>为词语/>在文档/>中的词频,/>为包含词语/>的文档数,/>为文档数量数据,/>为词语/>在文档/>中的位置,为文档/>的长度,/>为词语/>在文档/>中的词频,/>为词语序次项,/>为文档/>中的词语总数,/>为包含词语/>的文档数。
本发明构造了一种优化TF-IDF权重计算公式,该计算公式有助于提升词语的权重计算准确性和灵活性,更好地反映词语在文档中的重要性,从而在特征提取过程中提供更有意义的特征数据。词语在文档/>中的优化TF-IDF权重。它表示了词语在文档中的重要性程度,结合了词频和文档频率的信息。词语/>在文档/>中的词频/>表示了词语在文档中的出现次数,用于衡量词语在文档中的重要程度。包含词语/>的文档数/>表示了包含特定词语的文档数量,用于计算文档频率。词语/>在文档/>中的位置/>表示了词语在文档中的出现位置,用于考虑词语位置信息的影响。文档/>的长度/>表示了文档的总词数,用于进行归一化操作。在该计算公式中,不同的参数相互作用,影响着权重的计算结果。例如,词频/>、文档频率/>和/>在计算TF-IDF权重时起到了重要作用。/>、/>和/>则在归一化过程中起到了调节作用。/>是一个正弦函数,用于考虑词语位置在权重计算中的影响。
优选地,步骤S3具体为:
步骤S31:对软件测试评价语料特征数据进行位置编码,从而获取特征位置编码数据;
步骤S32:根据特征位置编码数据进行注意力机制构建,从而获取注意力机制参数数据;
步骤S33:利用注意力机制参数数据对特征位置编码数据进行自注意力计算,从而获取特征自注意力表述数据;
步骤S34:根据特征位置编码数据以及特征自注意力表述数据进行编码器构建,从而获取软件测试评价编码器数据;
步骤S35:根据软件测试评价语料特征数据进行解码器构建,从而获取软件测试评价解码器数据;
步骤S36:利用预设的软件测试评价损失计算公式对软件测试评价编码器数据以及软件测试评价解码器数据进行模型训练,从而获取软件测试自然语言处理模型。
本发明中通过步骤S31,对软件测试评价语料特征数据进行位置编码,将特征与位置信息相结合,提供了更丰富的特征表示,有助于捕捉特征之间的相互关系和上下文信息。通过步骤S32和步骤S33,利用注意力机制参数对特征位置编码数据进行自注意力计算。这种机制能够让模型自动学习和关注输入序列中不同位置的重要性,提升模型的表达能力和表示效果。通过步骤S34和步骤S35,根据特征位置编码数据和自注意力表述数据构建软件测试评价编码器和解码器。这样的构建方式能够结合特征表示和上下文信息,实现对软件测试评价数据的深度处理和理解。通过步骤S36,利用预设的软件测试评价损失计算公式对编码器和解码器数据进行模型训练。通过最小化损失函数,优化模型参数,使得模型能够更准确地进行软件测试评价任务,提高模型的性能和预测能力。
优选地,其中预设的软件测试评价损失计算公式具体为:
;
为软件测试评价损失值,/>为软件测试评价语料数据的样本数量,/>为软件测试评价语料数据的样本序次项,/>为软件测试评价损失常数项,/>为软件测试评价编码器数据,/>为第/>个样本的真实标签,/>为第/>个样本的真实标签对应的软件测试评价编码器数据,/>为软件测试评价编码器数据的序次项,/>为软件测试评价编码器数据的数量数据,/>为软件测试评价编码器数据的第/>个元素,/>为正则化系数,/>为特征位置编码数据,/>为非线性权重项,/>为特征自注意力表述数据,/>为均方根误差系数,/>为软件测试评价解码器数据的维度,/>为软件测试评价解码器数据的序次项,/>为第/>个类别的真实标签,/>为第/>个类别的模型输出概率。
本发明构造了一种软件测试评价损失计算公式,该计算公式的第一项是交叉熵损失项,用于衡量模型的输出与真实标签之间的差异。通过最小化该损失,可以使模型能够更准确地预测软件测试评价的类别。公式中的第二项是正则化项,通过惩罚模型参数的大小,有助于控制模型的复杂度,避免过拟合问题。公式中的第三项是非线性权重项,通过对模型输出进行非线性变换,可以增加模型对于关键样本的重要性,提高对关键样本的预测准确性。公式中的第四项是均方根误差项,用于衡量模型输出与真实标签之间的差异。通过最小化该项,可以使模型的输出更接近真实标签。是特征位置编码数据,它影响着自注意力计算项的结果。/>是特征自注意力表述数据,它与正则化项中的极限运算相互作用。/>和/>是软件测试评价解码器数据的真实标签和模型输出概率,它们用于计算均方根误差项。通过调整和优化这些参数,可以影响损失函数的值,从而指导模型的训练过程,使得模型更好地适应软件测试评价任务,提高模型的准确性和泛化能力。
优选地,步骤S4具体为:
步骤S41:获取软件测试数据;
步骤S42:对软件测试数据进行测试数据提取,从而获取软件测试指标数据;
步骤S43:利用软件测试自然语言处理模型对软件测试指标数据进行处理,从而获取软件分析测试报告。
本发明中通过自然语言处理技术和数据处理方法,实现对大量软件测试数据的自动处理和分析,提高效率和准确性。通过获取软件测试指标数据并应用自然语言处理模型,可以得出更全面、客观的软件测试评估结果,为软件开发和改进提供依据。软件分析测试报告提供了对测试结果的解释和评估,为项目管理人员、开发人员和决策者提供有关软件质量和改进措施的重要信息,支持决策制定和问题解决。通过自动化处理和分析软件测试数据,减少人工工作量和人为误差,提高软件测试的效率和质量。
优选地,一种基于自然语言处理技术的可定制软件测试评价系统,包括:
软件测试评价语料数据采集模块,用于通过网络爬虫技术进行数据采集并通过自然语言处理提取,从而获取软件测试评价语料数据;
特征提取模块,用于对软件测试评价语料数据进行特征提取,从而获取软件测试评价语料特征数据;
深度自然语言模型构建模块,用于对软件测试评价语料特征数据进行深度自然语言模型构建,从而获取软件测试自然语言处理模型;
软件分析测试报告获取模块,用于获取软件测试数据,并利用软件测试自然语言处理模型对软件测试数据进行处理,从而获取软件分析测试报告;
软件指标评价模块,用于对软件分析测试报告进行软件指标评价,从而获取软件评价指标反馈数据。
本发明的有益效果在于:通过网络爬虫技术,抓取大量软件测试评价数据,并通过自然语言处理技术对这些数据进行文本抽取。这使得我们能够获取丰富的软件测试评价语料数据,从而提供了充分的信息基础。对软件测试评价语料数据进行特征提取,提取出与评价目标相关的特征信息。这些特征可以包括词袋矩阵、TF-IDF权重、词嵌入等,能够捕捉到不同级别的语义和语用信息。通过构建软件测试评价语料特征数据,能够更加全面地描述和表示软件测试评价的特征。利用深度学习技术,构建自然语言处理模型,例如Transformer等。这些模型能够通过自注意力机制和编码-解码架构,对软件测试评价语料特征数据进行建模和处理。深度自然语言模型能够捕捉到句子和文本之间的复杂关系,提高对软件测试数据的理解和表达能力。利用软件测试自然语言处理模型,对获取的软件测试数据进行处理和分析,从而生成软件分析测试报告。这些报告可以包括关键问题的识别、异常行为的分析、性能评估等。通过自然语言处理技术,报告能够以易于理解的自然语言形式呈现,提供详尽的软件测试分析结果。对软件分析测试报告进行软件指标评价,计算软件性能指标、错误率、可靠性等方面的指标。这些评价指标能够提供对软件质量和性能的定量分析,并作为反馈数据提供给软件开发团队,用于改进软件质量和迭代开发。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的基于自然语言处理技术的可定制软件测试评价方法的步骤流程图;
图2示出了一实施例的步骤S1的步骤流程图;
图3示出了一实施例的步骤S13的步骤流程图;
图4示出了一实施例的步骤S2的步骤流程图;
图5示出了一实施例的步骤S3的步骤流程图;
图6示出了一实施例的步骤S4的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图6,本申请提供了一种基于自然语言处理技术的可定制软件测试评价方法,包括以下步骤:
步骤S1:通过网络爬虫技术进行数据采集并通过自然语言处理对抓取的数据进行文本抽取,从而获取软件测试评价语料数据;
具体地,例如针对软件测试评价的任务,选择合适的网站或论坛进行数据采集,如技术社区或软件评测网站。使用网络爬虫工具,如Scrapy,编写爬虫程序,根据特定的搜索关键词或网站结构进行数据抓取。对于每个抓取的网页或帖子,使用自然语言处理技术对文本进行抽取,提取出与软件测试评价相关的内容,如用户评论、评分。对抽取的数据进行清洗和预处理,去除无关信息,处理特殊字符或格式,并将其转化为可用的数据格式,如文本文件或数据库。
步骤S2:对软件测试评价语料数据进行特征提取,从而获取软件测试评价语料特征数据;
具体地,例如对软件测试评价语料数据进行词频统计,计算每个词在语料中的出现频率,并提取出高频词作为特征。使用TF-IDF方法,计算每个词的TF-IDF权重,并选择具有较高权重的词作为特征。进行情感分析,使用情感词典或机器学习方法判断每个文本的情感倾向,并将情感得分作为特征。使用文本摘要算法,提取每个文本的关键信息或摘要,将摘要作为特征。
步骤S3:对软件测试评价语料特征数据进行深度自然语言模型构建,从而获取软件测试自然语言处理模型;
具体地,例如构建循环神经网络(RNN)或长短期记忆网络(LSTM)模型,用于处理序列型数据,如文本数据。使用卷积神经网络(CNN)模型,从文本中提取局部特征,用于分类或情感分析任务。使用Transformer模型,构建自注意力机制,对输入的文本进行编码和解码,用于生成摘要或翻译任务。训练深度学习模型,使用软件测试评价语料特征数据作为输入,通过反向传播算法优化模型参数,得到自然语言处理模型。
步骤S4:获取软件测试数据,并利用软件测试自然语言处理模型对软件测试数据进行处理,从而获取软件分析测试报告;
具体地,例如收集软件测试数据,包括用户反馈、测试用例执行结果、错误日志。使用软件测试自然语言处理模型对收集到的数据进行文本分类、情感分析、关键信息提取的处理。根据处理结果生成软件分析测试报告,包括问题汇总、错误定位、建议改进的内容。报告可以采用文本形式或可视化形式展示,以便软件开发团队或相关人员进行分析和决策。
步骤S5:对软件分析测试报告进行软件指标评价,从而获取软件评价指标反馈数据。
具体地,例如设定评价指标,如软件性能、功能覆盖、用户满意度。根据软件分析测试报告中的数据和分析结果,计算评价指标的具体数值。将评价指标反馈给软件开发团队或相关人员,用于改进软件的质量和性能。可以采用可视化方式呈现评价指标,如图表、报表等,以便更直观地理解和分析评价结果。
本发明中通过网络爬虫技术进行数据采集,自动抓取软件测试评价数据,避免了手动收集的繁琐过程,提高了数据采集的效率。通过自然语言处理对抓取的数据进行文本抽取,有效地从原始数据中提取出有用的文本内容,提供了更加精确和可靠的软件测试评价语料数据。利用深度自然语言模型对软件测试评价语料数据进行建模和学习,能够捕捉到更丰富的语义信息和上下文关系,提高了对软件测试数据的理解和处理能力。利用软件测试自然语言处理模型对软件测试数据进行处理,生成软件分析测试报告,该报告基于对软件测试数据的深入分析和理解,能够提供准确、全面的测试结果和评估。通过软件测试自然语言处理模型对软件测试数据进行处理,自动提取出重要的信息和特征,实现了对软件测试数据的智能化处理,减少了人工干预的工作量和错误率。
优选地,步骤S1具体为:
步骤S11:利用预设的网络爬虫引擎从互联网采集软件测试评价原始数据;
具体地,例如设定网络爬虫引擎的目标网站和抓取策略,如选择特定的技术社区或软件评测网站作为抓取源。编写网络爬虫程序,使用合适的工具或框架,如Scrapy或BeautifulSoup,根据网站的结构和数据布局进行数据抓取。遵守爬虫道德准则,设置合适的请求频率和规则,避免对目标网站造成过大的访问压力。根据需求,抓取相关的软件测试评价数据,如用户评论、评分、问题报告等。
步骤S12:对软件测试评价原始数据进行评价数据清洗并评价数据降噪,从而获取软件测试评价清洗数据;
具体地,例如清洗原始数据,去除无效信息、特殊字符、HTML标签等干扰项。进行数据标准化处理,如统一日期格式、单位转换。根据业务需求,进行数据筛选和过滤,去除重复数据、异常数据、噪声数据。对文本数据进行预处理,如去除停用词、分词、词性标注,以便后续的特征提取和分析。
步骤S13:对软件测试评价清洗数据进行评价数据标注,从而获取软件测试评价标注数据;
具体地,例如设定评价标注标准,如情感分类(正面/负面/中性)、评分等级。为清洗数据的文本部分分配相应的标签或类别,根据评价标准进行人工标注。使用专业人员或领域专家进行标注工作,保证标注的准确性和一致性。在标注过程中,遵循标注规范,解决标注不确定性或模糊性问题。
步骤S14:对软件测试评价标注数据进行文本特征提取以及偏好特征提取,从而获取软件测试评价文本特征数据以及软件测试评价偏向特征数据;
具体地,例如提取文本的词频特征,统计每个词语在评价文本中的出现次数。使用TF-IDF方法,计算每个词语的TF-IDF权重,反映其在文本中的重要程度。分析评价文本中的情感倾向,提取正面词汇和负面词汇,计算情感得分。根据评价文本中的关键词,提取与特定主题相关的特征,如性能、易用性。利用统计方法或机器学习算法,提取评价文本中的偏好特征,如使用的具体功能、用户喜好。
步骤S15:对软件测试评价文本特征数据以及软件测试评价偏向特征数据进行特征数据划分,从而获取软件测试评价训练数据集、软件测试评价验证数据集以及软件测试评价测试数据集;
具体地,例如将提取的文本特征数据和偏向特征数据划分为训练集、验证集和测试集。采用随机抽样或交叉验证等方法,确保数据集的代表性和可靠性。根据需求和算法模型选择合适的数据集划分比例,如70%训练集、15%验证集和15%测试集。在划分数据集时,要注意样本的平衡性和分布的一致性,避免数据偏差引起的模型偏见。
步骤S16:对软件测试评价训练数据集、软件测试评价验证数据集以及软件测试评价测试数据集进行数据规范化处理,从而获取软件测试评价语料数据。
具体地,例如对训练集、验证集和测试集中的特征数据进行数据预处理,如归一化、标准化。确保特征数据的数值范围和分布的一致性,以提高模型训练和测试的稳定性和可靠性。针对文本数据,进行文本清洗和预处理,如去除停用词、进行词干化或词形还原。将数据转化为适合机器学习算法或深度学习模型输入的格式,如向量表示、矩阵表示。
本发明中利用网络爬虫引擎从互联网采集软件测试评价原始数据,实现了对数据采集过程的自动化,提高了效率和准确性。对采集到的软件测试评价原始数据进行清洗和降噪处理,去除无效数据和噪声,提高了数据的质量和可用性。对清洗后的软件测试评价数据进行标注,为后续的特征提取和模型训练提供了有标签的数据集。通过对标注数据进行文本特征提取和偏好特征提取,提取了软件测试评价数据中的关键特征,为后续的数据分析和模型训练提供了有用的信息。将提取的特征数据划分为训练数据集、验证数据集和测试数据集,为模型的训练、优化和评估提供了合理的数据划分。对划分的数据集进行规范化处理,统一数据格式和表示方式,提高了数据的一致性和可处理性。
优选地,步骤S13的步骤具体为:
步骤S131:确定软件测试评价清洗数据对应的软件测试评价原始数据包括软件测试标注数据时,则利用软件测试标注数据对软件测试评价清洗数据进行评价数据标注,从而获取软件测试评价标注数据;
具体地,例如假设软件测试评价清洗数据包含用户的评论和评分,而软件测试标注数据是经过人工标注的情感类别(正面/负面/中性)。将每条评论与相应的标注数据对应起来,将评论文本和情感类别进行配对标注。使用专业人员或领域专家进行情感类别的标注工作,保证标注的准确性和一致性。
步骤S132:确定软件测试评价清洗数据对应的软件测试评价原始数据不包括软件测试标注数据时,则对软件测试评价清洗数据对应的软件测试评价原始数据进行关键词捕捉,从而获取软件测试关键词数据;
具体地,例如假设软件测试评价清洗数据是用户的评论文本,而软件测试评价原始数据是用户评论的完整原始数据。对每条评论进行文本处理,例如分词、去除停用词。根据文本处理后的结果,提取关键词或重要词语作为软件测试关键词数据。
例如,对于电商平台的软件测试评价,关键词可能包括产品名称、功能特点、用户体验等。
步骤S133:利用预设的软件测试关键词偏向数据对软件测试关键词数据进行软件测试标注偏向计算,从而获取软件测试评价标注数据;
具体地,例如假设预设的软件测试关键词偏向数据包含不同关键词的情感倾向性,如积极倾向、消极倾向。使用预设的关键词偏向数据,为每个关键词分配情感倾向得分,反映关键词在评价中的情感偏向。进行软件测试标注偏向计算,根据关键词偏向得分和关键词在评价中的出现情况,计算整体评价的情感倾向。
步骤S134:利用软件测试评价标注数据对软件测试评价清洗数据进行评价数据标注,从而获取软件测试评价标注数据。
具体地,例如使用已经标注好的软件测试评价标注数据,将标注数据与清洗数据进行匹配。将标注数据中的情感类别或其他评价标准应用到相应的清洗数据上,进行评价数据标注。例如,将情感类别(正面/负面/中性)标注应用于清洗数据,将每条评论进行情感类别的标注。
本发明中通过对软件测试评价清洗数据进行评价数据标注,利用软件测试标注数据或软件测试关键词数据进行标注,实现了对数据的自动化标注,减少了人工标注的工作量和时间消耗。通过利用软件测试标注数据或软件测试关键词数据进行标注,可以提高标注数据的准确性和一致性,减少了标注过程中的主观误差和不一致性。通过利用预设的软件测试关键词偏向数据对软件测试关键词数据进行软件测试标注偏向计算,可以更加准确地确定标注数据中的偏向特征,提高了标注数据的可靠性。通过软件测试评价标注数据,为后续的特征提取和模型训练提供了有标签的评价数据集,可以用于监督学习和模型训练的任务。
优选地,软件测试标注偏向计算通过软件测试标注偏向计算公式进行计算,其中软件测试标注偏向计算公式具体为:
;/>
为软件测试标注偏向数据,/>为软件测试关键词数据,/>为软件测试底数常数项,/>为软件测试关键词的数量数据,/>为软件测试关键词序次项,/>为缩放指数,/>为第/>个软件测试关键词,/>为第/>个软件测试评价标注数据。
本发明构造了一种软件测试标注偏向计算公式,该计算公式通过比较软件测试关键词数据和对应的标注数据之间的平方差项,计算软件测试标注偏向程度。它可以量化软件测试关键词与标注数据之间的偏离程度,帮助确定关键词的标注偏向程度。通过计算软件测试标注偏向数据,可以为软件测试提供定量的指标,帮助分析和评估软件测试中的关键词和标注数据之间的关系。在计算公式中,不同的参数相互作用,影响着计算结果。例如,缩放指数可以调整平方差项的权重,/>可以改变对数函数的底数。通过调整这些参数的取值,可以改变计算结果,从而探索不同的标注偏向度量方法和分析角度。软件测试标注偏向数据/>表示通过计算得到的软件测试关键词数据对应的标注偏向程度。软件测试关键词数据/>是软件测试中的关键词集合,用于表示软件测试的特征和属性。软件测试关键词的数量数据/>表示软件测试关键词的数量,用于进行平均值的计算。软件测试关键词序次项/>表示软件测试关键词的序号,用于指定某个关键词的位置。该计算公式通过数学运算和参数调整,提供了一种衡量软件测试关键词数据与标注数据之间偏向程度的定量指标,有助于分析和评估软件测试中的关键词与标注数据的关系,进而提升软件测试的质量和准确性。
优选地,软件测试评价语料特征数据包括文本摘要表示数据以及情感特征提取数据,步骤S2具体为:
步骤S21对软件测试评价语料数据进行词袋矩阵转化,从而获取软件测试评价词袋矩阵数据;
具体地,例如假设软件测试评价语料数据是一组评论文本。构建词汇表,包括所有出现在评论文本中的单词。对每条评论文本进行词袋表示,统计每个单词在文本中出现的频次。将频次统计结果整理成词袋矩阵,其中每一行表示一条评论文本,每一列表示一个单词,矩阵元素表示单词在对应文本中的频次或其他特征值。
步骤S22对软件测试评价词袋矩阵数据进行优化TF-IDF权重计算,从而获取TF-IDF词袋矩阵数据;
具体地,例如基于软件测试评价词袋矩阵数据,计算每个单词的TF-IDF权重。TF(词频)表示单词在文本中的出现频次,IDF(逆文档频率)表示单词在整个语料库中的重要程度。使用优化的TF-IDF计算公式对词袋矩阵中的每个单词进行权重计算。更新词袋矩阵中的值为相应的TF-IDF权重值。
步骤S23:对TF-IDF词袋矩阵数据进行词嵌入训练,从而获取TF-IDF词袋词嵌入模型;
具体地,例如利用TF-IDF词袋矩阵数据作为输入,训练词嵌入模型。使用词嵌入模型将每个单词映射到一个高维向量空间中的向量表示。通过学习单词之间的关联性和语义信息,生成词嵌入模型,使得相似含义的单词在向量空间中距离更近。
步骤S24:对TF-IDF词袋词嵌入模型进行向量转换,从而获取句子嵌入向量数据;
具体地,例如利用训练好的TF-IDF词袋词嵌入模型,将每个句子表示为向量。对每个句子中的单词向量进行平均或加权平均,得到句子的嵌入向量。将每个句子的嵌入向量作为句子的特征表示,用于后续的分析和处理。
步骤S25:对句子嵌入向量数据进行主题模型构建,从而构建软件测试评价主题模型;
具体地,例如使用句子嵌入向量数据,运用主题模型算法(如LDA)对软件测试评价进行主题建模。通过对句子嵌入向量进行聚类或降维,将句子划分到不同的主题或主题空间中。每个主题代表软件测试评价中具有一定相关性的句子群体,可用于理解评价的不同方面和主题。
步骤S26:对软件测试评价主题模型进行文本摘要提取以及情感特征提取,从而获取文本摘要表示数据以及情感特征提取数据。
具体地,例如基于构建的软件测试评价主题模型,提取每个主题下句子的关键信息,生成文本摘要表示数据。利用主题模型和情感分析算法,对句子的情感进行分类或提取,生成情感特征提取数据。文本摘要表示数据可以用于对软件评价进行概括和总结,情感特征提取数据可以用于评估评价的情感倾向和情感表达。如文本摘要表示数据生成实施例:主题识别:使用主题模型算法(如Latent Dirichlet Allocation)对软件测试评价数据进行主题识别,确定每个句子所属的主题。关键信息提取:针对每个主题下的句子,通过关键词抽取、摘要生成等技术提取关键信息,例如提取句子中的重要词语、短语或句子片段。文本摘要生成:将每个主题下的关键信息进行组合和概括,生成对应主题的文本摘要表示数据。摘要可以是一个句子或几个句子,用于概括该主题下的关键信息。情感特征提取数据生成实施例:情感分类:使用情感分析算法(如情感词典、机器学习模型)对每个句子进行情感分类,判断句子的情感倾向,如积极、消极或中性。主题情感关联:将每个句子的情感分类结果与其所属的主题关联起来,确定每个主题下的情感特征。例如,统计某个主题下积极情感句子的比例或关键词。情感特征提取:根据每个主题下句子的情感分类结果,提取情感
本发明中通过步骤S21到步骤S26,从原始的软件测试评价语料数据中提取了丰富的特征,包括词袋矩阵数据、TF-IDF权重、词嵌入模型、句子嵌入向量、主题模型以及文本摘要表示数据和情感特征提取数据。这些特征能够更全面、准确地描述和表达软件测试评价的内容和特点。通过步骤S23和步骤S24,将词袋矩阵数据转化为词嵌入模型和句子嵌入向量,实现了对软件测试评价语料数据的语义表示。这种表示方式能够捕捉到单词和句子之间的语义关联,更好地表达文本的含义和语境。通过步骤S25,构建了软件测试评价主题模型。主题模型能够自动地从大量的文本数据中抽取主题信息,帮助理解和归纳软件测试评价的核心内容和主题分布。通过步骤S26,对软件测试评价主题模型进行文本摘要提取和情感特征提取。这有助于从大量的评价数据中提取出关键信息和情感倾向,帮助用户快速了解评价的要点和情感色彩。
优选地,优化TF-IDF权重计算通过优化TF-IDF权重计算公式进行计算,其中优化TF-IDF权重计算公式具体为:
;
为词语/>在文档/>中的优化TF-IDF权重,/>为TF-IDF底数常数项,/>为词语/>在文档/>中的词频,/>为包含词语/>的文档数,/>为文档数量数据,/>为词语/>在文档/>中的位置,为文档/>的长度,/>为词语/>在文档/>中的词频,/>为词语序次项,/>为文档/>中的词语总数,/>为包含词语/>的文档数。
本发明构造了一种优化TF-IDF权重计算公式,该计算公式有助于提升词语的权重计算准确性和灵活性,更好地反映词语在文档中的重要性,从而在特征提取过程中提供更有意义的特征数据。词语在文档/>中的优化TF-IDF权重。它表示了词语在文档中的重要性程度,结合了词频和文档频率的信息。词语/>在文档/>中的词频/>表示了词语在文档中的出现次数,用于衡量词语在文档中的重要程度。包含词语/>的文档数/>表示了包含特定词语的文档数量,用于计算文档频率。词语/>在文档/>中的位置/>表示了词语在文档中的出现位置,用于考虑词语位置信息的影响。文档/>的长度/>表示了文档的总词数,用于进行归一化操作。在该计算公式中,不同的参数相互作用,影响着权重的计算结果。例如,词频/>、文档频率/>和/>在计算TF-IDF权重时起到了重要作用。/>、/>和/>则在归一化过程中起到了调节作用。/>是一个正弦函数,用于考虑词语位置在权重计算中的影响。
优选地,步骤S3具体为:
步骤S31:对软件测试评价语料特征数据进行位置编码,从而获取特征位置编码数据;
具体地,例如对软件测试评价语料特征数据中的每个特征进行位置编码。使用一种编码方法(如正弦编码或余弦编码)给每个特征赋予一个相对位置的编码值。编码值可以表示特征在序列中的位置信息,以便后续的注意力机制和自注意力计算。
步骤S32:根据特征位置编码数据进行注意力机制构建,从而获取注意力机制参数数据;
具体地,例如基于特征位置编码数据,构建注意力机制,以捕捉特征之间的关联性和重要性。使用一种注意力机制(如自注意力机制或多头注意力机制)来计算特征之间的权重。权重可以表示特征之间的依赖关系和相互作用程度。
步骤S33:利用注意力机制参数数据对特征位置编码数据进行自注意力计算,从而获取特征自注意力表述数据;
具体地,例如基于注意力机制参数数据,对特征位置编码数据进行自注意力计算。使用特定的自注意力计算方法(如Transformer模型中的自注意力计算)来计算特征之间的自注意力权重。自注意力权重可以表示特征自身的重要性和与其他特征的关联程度。
步骤S34:根据特征位置编码数据以及特征自注意力表述数据进行编码器构建,从而获取软件测试评价编码器数据;
具体地,例如基于特征位置编码数据和特征自注意力表述数据,构建软件测试评价编码器。编码器可以采用一种适合任务的架构(如Transformer编码器)来将特征序列转换为编码表示。编码表示可以捕捉特征之间的关系和重要性,用于后续的解码和模型训练。
步骤S35:根据软件测试评价语料特征数据进行解码器构建,从而获取软件测试评价解码器数据;
具体地,例如基于软件测试评价语料特征数据,构建软件测试评价解码器。解码器可以采用一种适合任务的架构(如Transformer解码器)来将编码表示转换为目标输出。解码器可以将编码表示与其他信息(如上下文或目标标签)结合,生成最终的输出结果。
步骤S36:利用预设的软件测试评价损失计算公式对软件测试评价编码器数据以及软件测试评价解码器数据进行模型训练,从而获取软件测试自然语言处理模型。
具体地,例如基于软件测试评价编码器数据和软件测试评价解码器数据,定义一个预设的损失计算公式。使用该损失计算公式来度量模型的训练误差,并反向传播更新模型的参数。通过迭代训练过程,优化模型参数,使得模型能够更好地生成准确的软件测试评价结果。
本发明中通过步骤S31,对软件测试评价语料特征数据进行位置编码,将特征与位置信息相结合,提供了更丰富的特征表示,有助于捕捉特征之间的相互关系和上下文信息。通过步骤S32和步骤S33,利用注意力机制参数对特征位置编码数据进行自注意力计算。这种机制能够让模型自动学习和关注输入序列中不同位置的重要性,提升模型的表达能力和表示效果。通过步骤S34和步骤S35,根据特征位置编码数据和自注意力表述数据构建软件测试评价编码器和解码器。这样的构建方式能够结合特征表示和上下文信息,实现对软件测试评价数据的深度处理和理解。通过步骤S36,利用预设的软件测试评价损失计算公式对编码器和解码器数据进行模型训练。通过最小化损失函数,优化模型参数,使得模型能够更准确地进行软件测试评价任务,提高模型的性能和预测能力。
优选地,其中预设的软件测试评价损失计算公式具体为:
;
为软件测试评价损失值,/>为软件测试评价语料数据的样本数量,/>为软件测试评价语料数据的样本序次项,/>为软件测试评价损失常数项,/>为软件测试评价编码器数据,/>为第/>个样本的真实标签,/>为第/>个样本的真实标签对应的软件测试评价编码器数据,/>为软件测试评价编码器数据的序次项,/>为软件测试评价编码器数据的数量数据,/>为软件测试评价编码器数据的第/>个元素,/>为正则化系数,/>为特征位置编码数据,/>为非线性权重项,/>为特征自注意力表述数据,/>为均方根误差系数,/>为软件测试评价解码器数据的维度,/>为软件测试评价解码器数据的序次项,/>为第/>个类别的真实标签,/>为第/>个类别的模型输出概率。
本发明构造了一种软件测试评价损失计算公式,该计算公式的第一项是交叉熵损失项,用于衡量模型的输出与真实标签之间的差异。通过最小化该损失,可以使模型能够更准确地预测软件测试评价的类别。公式中的第二项是正则化项,通过惩罚模型参数的大小,有助于控制模型的复杂度,避免过拟合问题。公式中的第三项是非线性权重项,通过对模型输出进行非线性变换,可以增加模型对于关键样本的重要性,提高对关键样本的预测准确性。公式中的第四项是均方根误差项,用于衡量模型输出与真实标签之间的差异。通过最小化该项,可以使模型的输出更接近真实标签。是特征位置编码数据,它影响着自注意力计算项的结果。/>是特征自注意力表述数据,它与正则化项中的极限运算相互作用。/>和/>是软件测试评价解码器数据的真实标签和模型输出概率,它们用于计算均方根误差项。通过调整和优化这些参数,可以影响损失函数的值,从而指导模型的训练过程,使得模型更好地适应软件测试评价任务,提高模型的准确性和泛化能力。
优选地,步骤S4具体为:
步骤S41:获取软件测试数据;
具体地,例如从软件测试场景中收集测试数据,例如测试用例、错误报告、执行日志。数据来源可以包括内部测试系统、版本控制系统、错误跟踪系统。确保数据的准确性和完整性,以便后续的测试数据提取和处理。
步骤S42:对软件测试数据进行测试数据提取,从而获取软件测试指标数据;
具体地,例如根据软件测试的目标和需求,从测试数据中提取相关的指标数据。提取的指标可以包括测试覆盖率、执行时间、错误数量。使用合适的方法和工具,对测试数据进行解析和分析,从中提取所需的指标数据。
步骤S43:利用软件测试自然语言处理模型对软件测试指标数据进行处理,从而获取软件分析测试报告。
具体地,例如基于软件测试自然语言处理模型,将软件测试指标数据输入模型进行处理。模型可以采用自然语言处理技术(如文本分类、情感分析等)来分析和理解测试指标数据。根据模型的输出,生成软件分析测试报告,包括对测试结果的解释、评估和建议等信息。
本发明中通过自然语言处理技术和数据处理方法,实现对大量软件测试数据的自动处理和分析,提高效率和准确性。通过获取软件测试指标数据并应用自然语言处理模型,可以得出更全面、客观的软件测试评估结果,为软件开发和改进提供依据。软件分析测试报告提供了对测试结果的解释和评估,为项目管理人员、开发人员和决策者提供有关软件质量和改进措施的重要信息,支持决策制定和问题解决。通过自动化处理和分析软件测试数据,减少人工工作量和人为误差,提高软件测试的效率和质量。
优选地,一种基于自然语言处理技术的可定制软件测试评价系统,包括:
软件测试评价语料数据采集模块,用于通过网络爬虫技术进行数据采集并通过自然语言处理提取,从而获取软件测试评价语料数据;
特征提取模块,用于对软件测试评价语料数据进行特征提取,从而获取软件测试评价语料特征数据;
深度自然语言模型构建模块,用于对软件测试评价语料特征数据进行深度自然语言模型构建,从而获取软件测试自然语言处理模型;
软件分析测试报告获取模块,用于获取软件测试数据,并利用软件测试自然语言处理模型对软件测试数据进行处理,从而获取软件分析测试报告;
软件指标评价模块,用于对软件分析测试报告进行软件指标评价,从而获取软件评价指标反馈数据。
本发明的有益效果在于:通过网络爬虫技术,抓取大量软件测试评价数据,并通过自然语言处理技术对这些数据进行文本抽取。这使得我们能够获取丰富的软件测试评价语料数据,从而提供了充分的信息基础。对软件测试评价语料数据进行特征提取,提取出与评价目标相关的特征信息。这些特征可以包括词袋矩阵、TF-IDF权重、词嵌入等,能够捕捉到不同级别的语义和语用信息。通过构建软件测试评价语料特征数据,能够更加全面地描述和表示软件测试评价的特征。利用深度学习技术,构建自然语言处理模型,例如Transformer等。这些模型能够通过自注意力机制和编码-解码架构,对软件测试评价语料特征数据进行建模和处理。深度自然语言模型能够捕捉到句子和文本之间的复杂关系,提高对软件测试数据的理解和表达能力。利用软件测试自然语言处理模型,对获取的软件测试数据进行处理和分析,从而生成软件分析测试报告。这些报告可以包括关键问题的识别、异常行为的分析、性能评估等。通过自然语言处理技术,报告能够以易于理解的自然语言形式呈现,提供详尽的软件测试分析结果。对软件分析测试报告进行软件指标评价,计算软件性能指标、错误率、可靠性等方面的指标。这些评价指标能够提供对软件质量和性能的定量分析,并作为反馈数据提供给软件开发团队,用于改进软件质量和迭代开发。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于自然语言处理技术的可定制软件测试评价方法,其特征在于,包括以下步骤:
步骤S1:通过网络爬虫技术进行数据采集并通过自然语言处理对抓取的数据进行文本抽取,从而获取软件测试评价语料数据;
步骤S2,包括:
步骤S21:对软件测试评价语料数据进行词袋矩阵转化,从而获取软件测试评价词袋矩阵数据;
步骤S22:对软件测试评价词袋矩阵数据进行优化TF-IDF权重计算,从而获取TF-IDF词袋矩阵数据;优化TF-IDF权重计算通过优化TF-IDF权重计算公式进行计算,其中优化TF-IDF权重计算公式具体为:
;
为词语/>在文档/>中的优化TF-IDF权重,/>为TF-IDF底数常数项,/>为词语/>在文档/>中的词频,/>为包含词语/>的文档数,/>为文档数量数据,/>为词语/>在文档/>中的位置,/>为文档/>的长度,/>为词语序次项,/>为词语/>在文档/>中的词频,/>为文档/>中的词语总数,为包含词语/>的文档数;
步骤S23:对TF-IDF词袋矩阵数据进行词嵌入训练,从而获取TF-IDF词袋词嵌入模型;
步骤S24:对TF-IDF词袋词嵌入模型进行向量转换,从而获取句子嵌入向量数据;
步骤S25:对句子嵌入向量数据进行主题模型构建,从而构建软件测试评价主题模型;
步骤S26:对软件测试评价主题模型进行文本摘要提取以及情感特征提取,从而获取文本摘要表示数据以及情感特征提取数据,其中软件测试评价语料特征数据包括文本摘要表示数据以及情感特征提取数据;
步骤S3,包括:
步骤S31:对软件测试评价语料特征数据进行位置编码,从而获取特征位置编码数据;
步骤S32:根据特征位置编码数据进行注意力机制构建,从而获取注意力机制参数数据;
步骤S33:利用注意力机制参数数据对特征位置编码数据进行自注意力计算,从而获取特征自注意力表述数据;
步骤S34:根据特征位置编码数据以及特征自注意力表述数据进行编码器构建,从而获取软件测试评价编码器数据;
步骤S35:根据软件测试评价语料特征数据进行解码器构建,从而获取软件测试评价解码器数据;
步骤S36:利用预设的软件测试评价损失计算公式对软件测试评价编码器数据以及软件测试评价解码器数据进行模型训练,从而获取软件测试自然语言处理模型;其中预设的软件测试评价损失计算公式具体为:
;
为软件测试评价损失值,/>为软件测试评价语料数据的样本数量,/>为软件测试评价语料数据的样本序次项,/>为软件测试评价损失常数项,/>为软件测试评价编码器数据,/>为第/>个样本的真实标签,/>为第/>个样本的真实标签对应的软件测试评价编码器数据,/>为软件测试评价编码器数据的序次项,/>为软件测试评价编码器数据的数量数据,/>为软件测试评价编码器数据的第/>个元素,/>为正则化系数,/>为特征位置编码数据,/>为非线性权重项,/>为特征自注意力表述数据,/>为均方根误差系数,/>为软件测试评价解码器数据的维度,/>为软件测试评价解码器数据的序次项,/>为第/>个类别的真实标签,/>为第/>个类别的模型输出概率;
步骤S4:获取软件测试数据,并利用软件测试自然语言处理模型对软件测试数据进行处理,从而获取软件分析测试报告;
步骤S5:对软件分析测试报告进行软件指标评价,从而获取软件评价指标反馈数据。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
步骤S11:利用预设的网络爬虫引擎从互联网采集软件测试评价原始数据;
步骤S12:对软件测试评价原始数据进行评价数据清洗并评价数据降噪,从而获取软件测试评价清洗数据;
步骤S13:对软件测试评价清洗数据进行评价数据标注,从而获取软件测试评价标注数据;
步骤S14:对软件测试评价标注数据进行文本特征提取以及偏好特征提取,从而获取软件测试评价文本特征数据以及软件测试评价偏向特征数据;
步骤S15:对软件测试评价文本特征数据以及软件测试评价偏向特征数据进行特征数据划分,从而获取软件测试评价训练数据集、软件测试评价验证数据集以及软件测试评价测试数据集;
步骤S16:对软件测试评价训练数据集、软件测试评价验证数据集以及软件测试评价测试数据集进行数据规范化处理,从而获取软件测试评价语料数据。
3.根据权利要求2所述的方法,其特征在于,步骤S13的步骤具体为:
步骤S131:确定软件测试评价清洗数据对应的软件测试评价原始数据包括软件测试标注数据时,则利用软件测试标注数据对软件测试评价清洗数据进行评价数据标注,从而获取软件测试评价标注数据;
步骤S132:确定软件测试评价清洗数据对应的软件测试评价原始数据不包括软件测试标注数据时,则对软件测试评价清洗数据对应的软件测试评价原始数据进行关键词捕捉,从而获取软件测试关键词数据;
步骤S133:利用预设的软件测试关键词偏向数据对软件测试关键词数据进行软件测试标注偏向计算,从而获取软件测试评价标注数据;
步骤S134:利用软件测试评价标注数据对软件测试评价清洗数据进行评价数据标注,从而获取软件测试评价标注数据。
4.根据权利要求3所述的方法,其特征在于,软件测试标注偏向计算通过软件测试标注偏向计算公式进行计算,其中软件测试标注偏向计算公式具体为:
;
为软件测试标注偏向数据,/>为软件测试关键词数据,/>为软件测试底数常数项,/>为软件测试关键词的数量数据,/>为软件测试关键词序次项,/>为缩放指数,/>为第/>个软件测试关键词,/>为第/>个软件测试评价标注数据。
5.根据权利要求1所述的方法,其特征在于,步骤S4具体为:
步骤S41:获取软件测试数据;
步骤S42:对软件测试数据进行测试数据提取,从而获取软件测试指标数据;
步骤S43:利用软件测试自然语言处理模型对软件测试指标数据进行处理,从而获取软件分析测试报告。
6.一种基于自然语言处理技术的可定制软件测试评价系统,其特征在于,用于执行如权利要求1所述的基于自然语言处理技术的可定制软件测试评价方法,该基于自然语言处理技术的可定制软件测试评价系统包括:
软件测试评价语料数据采集模块,用于通过网络爬虫技术进行数据采集并通过自然语言处理提取,从而获取软件测试评价语料数据;
特征提取模块,用于对软件测试评价语料数据进行特征提取,从而获取软件测试评价语料特征数据;
深度自然语言模型构建模块,用于对软件测试评价语料特征数据进行深度自然语言模型构建,从而获取软件测试自然语言处理模型;
软件分析测试报告获取模块,用于获取软件测试数据,并利用软件测试自然语言处理模型对软件测试数据进行处理,从而获取软件分析测试报告;
软件指标评价模块,用于对软件分析测试报告进行软件指标评价,从而获取软件评价指标反馈数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310890278.XA CN116610592B (zh) | 2023-07-20 | 2023-07-20 | 基于自然语言处理技术的可定制软件测试评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310890278.XA CN116610592B (zh) | 2023-07-20 | 2023-07-20 | 基于自然语言处理技术的可定制软件测试评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116610592A CN116610592A (zh) | 2023-08-18 |
CN116610592B true CN116610592B (zh) | 2023-09-19 |
Family
ID=87678690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310890278.XA Active CN116610592B (zh) | 2023-07-20 | 2023-07-20 | 基于自然语言处理技术的可定制软件测试评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610592B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421217A (zh) * | 2023-10-26 | 2024-01-19 | 浪潮智慧科技有限公司 | 一种软件功能自动测试方法、系统、终端及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275521A (zh) * | 2020-01-16 | 2020-06-12 | 华南理工大学 | 一种基于用户评论与满意层面嵌入的商品推荐方法 |
CN113032253A (zh) * | 2021-03-18 | 2021-06-25 | 广州虎牙科技有限公司 | 测试数据特征提取方法、测试方法及相关装置 |
EP3848797A1 (en) * | 2020-01-13 | 2021-07-14 | Fujitsu Limited | Automatic parameter value resolution for api evaluation |
WO2021148625A1 (en) * | 2020-01-23 | 2021-07-29 | Debricked Ab | A method for identifying vulnerabilities in computer program code and a system thereof |
CN113448843A (zh) * | 2021-06-17 | 2021-09-28 | 南京航空航天大学 | 基于缺陷分析的图像识别软件测试数据增强方法及装置 |
CN114090463A (zh) * | 2022-01-20 | 2022-02-25 | 航天中认软件测评科技(北京)有限责任公司 | 基于自然语言处理技术的可定制软件测试分析评价系统 |
CN114185785A (zh) * | 2021-12-10 | 2022-03-15 | 北京航空航天大学 | 面向深度神经网络的自然语言处理模型测试用例约简方法 |
CN115712576A (zh) * | 2022-11-29 | 2023-02-24 | 北京京航计算通讯研究所 | 基于开源软件缺陷问题的软件测试类型推荐方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230067084A1 (en) * | 2021-08-30 | 2023-03-02 | Calibo LLC | System and method for monitoring of software applications and health analysis |
-
2023
- 2023-07-20 CN CN202310890278.XA patent/CN116610592B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3848797A1 (en) * | 2020-01-13 | 2021-07-14 | Fujitsu Limited | Automatic parameter value resolution for api evaluation |
CN111275521A (zh) * | 2020-01-16 | 2020-06-12 | 华南理工大学 | 一种基于用户评论与满意层面嵌入的商品推荐方法 |
WO2021148625A1 (en) * | 2020-01-23 | 2021-07-29 | Debricked Ab | A method for identifying vulnerabilities in computer program code and a system thereof |
CN113032253A (zh) * | 2021-03-18 | 2021-06-25 | 广州虎牙科技有限公司 | 测试数据特征提取方法、测试方法及相关装置 |
CN113448843A (zh) * | 2021-06-17 | 2021-09-28 | 南京航空航天大学 | 基于缺陷分析的图像识别软件测试数据增强方法及装置 |
CN114185785A (zh) * | 2021-12-10 | 2022-03-15 | 北京航空航天大学 | 面向深度神经网络的自然语言处理模型测试用例约简方法 |
CN114090463A (zh) * | 2022-01-20 | 2022-02-25 | 航天中认软件测评科技(北京)有限责任公司 | 基于自然语言处理技术的可定制软件测试分析评价系统 |
CN115712576A (zh) * | 2022-11-29 | 2023-02-24 | 北京京航计算通讯研究所 | 基于开源软件缺陷问题的软件测试类型推荐方法和系统 |
Non-Patent Citations (4)
Title |
---|
User Characteristic Analysis Based on Spark and the Improved TF-IDFAlgorithm;张舒雅 等;《Software Engineering》;第19卷(第10期);全文 * |
嵌入式软件的覆盖测试;刘颖;王英;刘漫丹;;自动化仪表(第06期);全文 * |
结合TFIDF方法与Skip-gram模型的文本分类方法研究;邬明强 等;《电子技术与软件工程》;第2018年卷(第06期);全文 * |
综合包级和类级度量的软件缺陷预测方法;潘森 等;《计算机科学与探索》;第6卷(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116610592A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jäger | Global-scale phylogenetic linguistic inference from lexical resources | |
US11886814B2 (en) | Systems and methods for deviation detection, information extraction and obligation deviation detection | |
Jerzak et al. | An improved method of automated nonparametric content analysis for social science | |
US20230123574A1 (en) | Methods and systems for intelligent editing of legal documents | |
CN117453921B (zh) | 一种大语言模型的数据信息标签处理方法 | |
CN115357719B (zh) | 基于改进bert模型的电力审计文本分类方法及装置 | |
Gong et al. | A survey on dataset quality in machine learning | |
CN116610592B (zh) | 基于自然语言处理技术的可定制软件测试评价方法及系统 | |
CN117236647B (zh) | 一种基于人工智能的岗位招聘分析方法及系统 | |
CN116738959B (zh) | 一种基于人工智能的简历改写方法及系统 | |
Ao | Sentiment analysis based on financial tweets and market information | |
CN116611452B (zh) | 一种根据自然语言描述推荐api的方法 | |
CN113420153B (zh) | 一种基于话题库和事件库的专题制作方法、装置及设备 | |
CN113326348A (zh) | 一种博客质量评估方法及工具 | |
Kamoshida et al. | Automated clustering and knowledge acquisition support for beginners | |
Dziczkowski et al. | Tool of the Intelligence Economic: Recognition Function of Reviews Critics. Extraction and linguistic Analysis of sentiments. | |
US11748561B1 (en) | Apparatus and methods for employment application assessment | |
Chen | Embedding Concepts and Documents in One Space | |
Mimouni et al. | Text Preprocessing for Shrinkage Regression and Topic Modeling to Analyse EU Public Consultation Data | |
Interpreting Deep | The Model thinks What?! Interpreting Deep NLP models with Rationales and Influence | |
Tahvili et al. | Comparative Analysis of Text Mining and Clustering Techniques for Assessing Functional Dependency between Manual Test Cases | |
Malan | Extracting failure modes from unstructured, natural language text | |
Hrín | Methods for investigating the external and internal validity of machine learned signals | |
Jain | The Model Thinks What?! Interpreting Deep NLP Models with Rationales and Influence | |
Gazit et al. | Mastering NLP from Foundations to LLMs: Apply advanced rule-based techniques to LLMs and solve real-world business problems using Python |
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 |