CN116881122A - 测试案例生成方法、装置、设备、存储介质和程序产品 - Google Patents
测试案例生成方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN116881122A CN116881122A CN202310685538.XA CN202310685538A CN116881122A CN 116881122 A CN116881122 A CN 116881122A CN 202310685538 A CN202310685538 A CN 202310685538A CN 116881122 A CN116881122 A CN 116881122A
- Authority
- CN
- China
- Prior art keywords
- information
- test case
- test
- entity
- acquiring
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 394
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000012217 deletion Methods 0.000 claims description 50
- 230000037430 deletion Effects 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 238000013522 software testing Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G06F11/3684—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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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 Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Quality & Reliability (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种测试案例生成的方法、装置、计算机设备、存储介质和计算机程序产品。应用于人工智能技术领域,方法包括:在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;根据需求信息,获取针对需求信息的第一实体信息和第一关系信息;获取测试案例知识图谱;根据第一实体信息、第一关系信息以及测试案例知识图谱,获取相关子图范围信息;将相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;根据测试案例集合,生成目标测试案例。采用本方法可以通过需求信息、测试案例知识图谱和案例预测模型,实现了测试任务对应的目标测试案例的生成,提高了测试案例生成的成功率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种测试案例生成方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着软件开发技术的发展,出现了软件测试技术,以用于在软件开发过程中,通过软件测试技术,进行功能性测试。
传统技术中,在软件开发过程中测试案例的生成主要依赖于测试人员进行手动编写或通过采用知识库进行测试案例检索。
然而,采用知识库进行测试案例检索的方式进行生成测试案例,是必须经常进行维护知识库中的案例,对于缺乏维护的案例,往往是无法通过检索的方式进行生成的,并且也无法通过检索方式生成从未出现过的测试案例,导致在实际使用时,测试案例生成的成功率比较低。而依赖于测试人员进行手动编写测试案例的方式进行生成测试案例,测试案例生成的效率比较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够加快测试案例生成的效率且提高测试案例生成的成功率的测试案例生成方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种测试案例生成方法。所述方法包括:
在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;
根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息;
获取测试案例知识图谱;
根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息;
将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;
根据所述测试案例集合,生成目标测试案例。
在其中一个实施例中,所述根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息,包括:
将所述需求信息输入至预先训练后的实体语义模型,获取针对所述需求信息的第一实体信息;
将所述需求信息输入至预先训练后的关系语义模型,获取针对所述需求信息的第一关系信息。
在其中一个实施例中,所述测试案例集合包括对应测试案例的概率,所述根据所述测试案例集合,生成目标测试案例,包括:
根据所述测试案例集合中测试案例的概率,确定候选测试案例;
根据所述候选测试案例,生成所述目标测试案例。
在其中一个实施例中,所述方法还包括:
获取历史测试案例集和产品规则信息;所述历史测试案例集包括历史测试案例的文本信息;
对所述历史测试案例的文本信息和所述产品规则信息,进行实体抽取和关系抽取,得到第二实体信息和第二关系信息;
基于所述第二实体信息和所述第二关系信息,构建所述测试案例知识图谱。
在其中一个实施例中,所述方法还包括:
从所述测试案例知识图谱中,获取各个图结构样本以及所述图结构样本对应的节点信息;
对各个图结构样本以及所述图结构样本对应的节点信息,进行数据清洗;
将清洗后的图结构样本以及所述图结构样本对应的节点信息,进行测试案例相关特征提取,对提取到的特征进行特征化处理,得到图结构特征样本和节点特征样本;
通过所述图结构特征样本和所述节点特征样本,调整训练前的案例预测模型的参数,直至所述训练前的案例预测模型收敛,得到训练后的案例预测模型。
在其中一个实施例中,所述测试案例知识图谱包括多个三元组,所述三元组包括第三实体信息、第三关系信息和第四实体信息,所述方法还包括:
在检测到存在所述三元组中的一信息缺失的情况下,确定信息缺失类型;所述信息缺失类型包括第一信息缺失和第二信息缺失;所述第一信息缺失为所述三元组中第三实体信息缺失或第四实体信息缺失;所述第二信息缺失为所述三元组中所述第三关系信息缺失;
在所述信息缺失类型为所述第一信息缺失的情况下,根据图卷积神经网络,确定缺失的第三实体信息或第四实体信息,以对所述测试案例知识图谱进行补全操作;
在所述信息缺失类型为所述第二信息缺失的情况下,根据推理学习算法,确定缺失的第三关系信息,以对所述测试案例知识图谱进行补全操作。
第二方面,本申请还提供了一种测试案例生成装置。所述装置包括:
需求信息获取模块,用于在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;
第一实体和关系信息获取模块,用于根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息;
知识图谱获取模块,用于获取测试案例知识图谱;
子图信息获取模块,用于根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息;
预测集合得到模块,用于将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;
测试案例生成模块,用于根据所述测试案例集合,生成目标测试案例。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;
根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息;
获取测试案例知识图谱;
根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息;
将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;
根据所述测试案例集合,生成目标测试案例。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;
根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息;
获取测试案例知识图谱;
根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息;
将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;
根据所述测试案例集合,生成目标测试案例。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;
根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息;
获取测试案例知识图谱;
根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息;
将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;
根据所述测试案例集合,生成目标测试案例。
上述测试案例生成方法、装置、计算机设备、存储介质和计算机程序产品,在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;根据需求信息,获取针对需求信息的第一实体信息和第一关系信息;获取测试案例知识图谱;根据第一实体信息、第一关系信息以及测试案例知识图谱,获取相关子图范围信息;将相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;根据测试案例集合,生成目标测试案例。采用本方法可以通过需求信息,获取对应的第一实体信息和第一关系信息,以根据第一实体信息、第一关系信息和测试案例知识图谱进行初步的筛选出与测试任务相关的信息,然后通过案例预测模型,实现了测试任务对应的目标测试案例的生成,提高了测试案例生成的成功率,此外,不依赖与人工来手动编写,加快了测试案例生成的效率,并且减少了测试任务对应的测试案例生成的人力成本。
附图说明
图1为一个实施例中测试案例生成方法的应用环境图;
图2为一个实施例中测试案例生成方法的流程示意图;
图3为一个实施例中构建测试案例知识图谱的流程示意图;
图4为一个实施例中案例预测模型训练的流程示意图;
图5为另一个实施例中测试案例生成方法的流程示意图;
图6为一个实施例中测试案例生成装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的测试案例生成方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
终端102在检测到需要测试任务的情况下,从服务器104中获取针对测试任务的需求信息;根据需求信息,获取针对需求信息的第一实体信息和第一关系信息;终端102获取测试案例知识图谱;根据第一实体信息、第一关系信息以及测试案例知识图谱,获取相关子图范围信息,以将相关子图信息输入至预先训练后的案例预测模型中,以得到预测的测试案例集合,从而生成目标测试案例。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104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。
在一个实施例中,如图2所示,提供了一种测试案例生成方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息。
其中,测试任务为在软件开发阶段进行对软件中的功能进行测试的任务。测试任务可以为曾经执行过的测试任务,也可以为从未执行过的测试任务。需求信息可以为测试任务中需求的文本信息,需求信息包括但不限于测试任务对应的任务功能、性能、要求信息等等。
若开发的软件为手机银行,那对应的手机银行的测试任务,一般针对于登录、账号管理、理财、存款、基金、保险、跨境、生活服务等的功能模块的测试,对于一个功能模块中,可以具备多个功能节点,一个功能节点可以用于表示想要实现的一个功能。
示例性地,在软件开发阶段,终端用于检测是否需要测试任务。在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息。
步骤204,根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息。
其中,第一实体信息和第一关系信息是基于需求信息进行获取的。第一实体信息是基于需求信息中提取的实体信息,第一关系信息是基于需求信息中提取的关系信息。第一实体信息中可以包括一个或多个实体信息。
在具体实践中,若是针对手机银行的软件开发,则主要是考虑手机银行中各个功能对应的需求信息,以得到需求信息对应的第一实体信息和第一关系信息。
示例性地,可以通过深度学习训练得到的机器学习模型,分别进行获取针对需求信息的第一实体信息和第一关系信息。
在一些实施例中,终端对需求信息进行预处理,得到第一待处理数据,并通过深度学习训练得到的机器学习模型,得到针对需求信息的第一实体信息和第一关系信息。
步骤206,获取测试案例知识图谱。
其中,知识图谱是一种结构化的语义知识库,用于描述物理世界中的概念及其相互关系,实现快速响应和推理,测试案例知识图谱,是软件开发中测试案例应用领域的知识图谱。
测试案例知识图谱可以是依据预先存储的软件开发阶段中测试案例进行构建得到,具体地,测试案例知识图谱可以是针对一个软件或者一类软件的知识图谱。例如,软件为手机银行时,可以使用同一测试案例知识图谱。
示例性地,测试案例知识图谱可以存储至Neo4j图数据库。终端可以从Neo4j图数据库中获取测试案例知识图谱。
步骤208,根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息。
其中,相关子图范围信息为与第一实体信息和第一关系信息相关的子图范围信息,一个测试案例可以为一个功能节点在测试时所使用的案例。
示例性地,终端可以根据第一实体信息和第一关系信息,从Neo4j图数据库中获取相关子图范围信息。
步骤210,将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合。
其中,预先训练后的案例预测模型可以是通过深度学习训练得到的,用于进行测试案例的预测。案例测试模型可以为图卷积神经网络模型。
测试案例集合可以包括软件测试过程中需要的测试案例以及对应的测试案例的概率。
示例性地,针对手机银行的软件测试过程中,手机银行的功能领域分类可以包括但不限于账号功能,理财功能、存款功能等等。
步骤212,根据所述测试案例集合,生成目标测试案例。
其中,目标测试案例可以包括多个测试案例,用于执行测试任务。具体地,测试任务中可以包括想要实现的多个功能节点,则可以对应需要多个测试案例实现测试任务的执行。
示例性地,目标测试案例可以是根据预测的测试案例集合生成的。
上述测试案例生成方法中,在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;根据需求信息,获取针对需求信息的第一实体信息和第一关系信息;获取测试案例知识图谱;根据第一实体信息、第一关系信息以及测试案例知识图谱,获取相关子图范围信息;将相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;根据测试案例集合,生成目标测试案例。采用本方法可以通过需求信息,获取对应的第一实体信息和第一关系信息,以根据第一实体信息、第一关系信息和测试案例知识图谱进行初步的筛选出与测试任务相关的信息,然后通过案例预测模型,实现了测试任务对应的目标测试案例的生成,提高了测试案例生成的成功率,此外,不依赖与人工来手动编写,加快了测试案例生成的效率,并且减少了测试任务对应的测试案例生成的人力成本。
在一个实施例中,步骤204包括:
步骤2042,将所述需求信息输入至预先训练后的实体语义模型,获取针对所述需求信息的第一实体信息。
其中,需求信息可以为测试任务中需求的文本信息,预先训练后的实体语义模型是通过深度学习训练得到的,用于进行提取针对需求信息的第一实体信息。具体地,实体语义模型的训练过程可以为:可以获取历史测试案例集和产品规则信息,以通过历史测试案例集和产品规则信息调整实体语义模型的参数,直至实体语义模型收敛,得到训练后的实体语义模型。
示例性地,实体语义模型可以采用Bert-CRF模型,其中,Bert可以用于捕捉文本的上下文信息。在Bert模型的输出部分连接CRF(Conditional Random Fields,条件随机场)层,以用户依次学习各标签之间的依赖关系,从而得到最终的实体信息。
步骤2044,将所述需求信息输入至预先训练后的关系语义模型,获取针对所述需求信息的第一关系信息。
其中,预先训练后的关系语义模型是通过深度学习训练得到的,用于进行提取针对需求信息的第一关系信息。具体地,关系语义模型的训练过程可以为:获取历史测试案例集和产品规则信息,以通过历史测试案例集和产品规则信息调整关系语义模型的参数,直至关系语义模型收敛,得到训练后的关系语义模型。
示例性地,关系语义模型可以采用Bert分类模型,其对应的输出可以为类别中概率得分最高的关系信息。Bert分类模型的训练与实体抽取的Bert模型共享训练参数,以加快模型收敛。
在上述实施例中,将需求信息分别输入至预先训练后的实体语义模型和关系语义模型,以得到第一关系信息和第一实体信息。通过训练后的实体语义模型和关系语义模型,加快了针对需求信息中关系抽取和实体抽取的效率,从而根据第一实体信息、第一关系信息和测试案例知识图谱进行初步的筛选出与测试任务相关的信息,通过案例预测模型,实现了测试任务对应的目标测试案例的生成,提高了测试案例生成的成功率,此外,不依赖与人工来手动编写,加快了测试案例生成的效率,并且减少了测试任务对应的测试案例生成的人力成本。
在一个实施例中,所述测试案例集合包括对应测试案例的概率,步骤212包括:
步骤2122,根据所述测试案例集合中测试案例的概率,确定候选测试案例。
步骤2124,根据所述候选测试案例,生成所述目标测试案例。
具体地,测试案例集合包括多个测试案例和对应测试案例的概率,具体地,可以设定一阈值,在测试案例集合中测试案例对应的概率大于这一阈值的,可以认定该测试案例为测试任务对应的测试案例的范围,以确定候选测试案例,从而根据候选测试案例,生成目标测试案例。其中,阈值的大小可以根据经验值进行设定。
在上述实施例中,测试案例集合中包括对应测试案例的概率,通过集合中测试案例概率,确定候选测试案例,从而生成目标测试案例,以实现了测试任务对应的目标测试案例的生成,提高了测试案例生成的成功率,此外,不依赖与人工来手动编写,加快了测试案例生成的效率,并且减少了测试任务对应的测试案例生成的人力成本。
在一个实施例中,构建测试案例知识图谱,包括以下步骤:
步骤302,获取历史测试案例集和产品规则信息;所述历史测试案例集包括历史测试案例的文本信息。
其中,历史测试案例集为历史记录的测试案例,历史测试案例集包括历史测试案例的文本信息,主要包括测试案例和测试案例对应的测试任务的文本信息。
产品规则信息为软件开发过程中产品的规则信息。具体地,若在开发手机银行这个软件的情况下,产品规则信息包括但不限于这个软件中所有的功能信息和功能对应的指导信息。
步骤304,对所述历史测试案例的文本信息和所述产品规则信息,进行实体抽取和关系抽取,得到第二实体信息和第二关系信息。
示例性地,历史测试案例集和产品规则信息为非结构化信息,对非结构化信息进行实体抽取和关系抽取,得到第二实体信息和第二关系信息。
具体地,第二实体信息可以通过Bert-CRF模型进行抽取,第二关系信息可以通过Bert分类模型进行抽取。
步骤306,基于所述第二实体信息和所述第二关系信息,构建所述测试案例知识图谱。
在实际使用中,随着软件开发任务的不断增加以及功能更变,测试案例会越来越丰富,当存在测试案例增加时,可以动态抽取测试案例的实体信息和关系信息,以添加至测试案例知识图谱中。
在上述实施例中,获取一个软件的历史测试案例集和产品规则信息,对历史测试案例集和产品规则信息,进行实体抽取和关系抽取,得到第二实体信息和第二关系信息,以根据第二实体信息和第二关系信息,构建测试案例知识图谱,以通过测试案例知识图谱进行初步的筛选出与测试任务相关的信息,然后通过案例预测模型,实现了测试任务对应的目标测试案例的生成,提高了测试案例生成的成功率,此外,不依赖与人工来手动编写,加快了测试案例生成的效率,并且减少了测试任务对应的测试案例生成的人力成本。
在一个实施例中,案例预测模型训练,包括以下步骤:
步骤402,从所述测试案例知识图谱中,获取各个图结构样本以及所述图结构样本对应的节点信息。
其中,测试案例知识图谱中包括多个图结构和图结构对应的节点信息。节点信息包括测试案例对应的功能节点的信息。
步骤404,对各个图结构样本以及所述图结构样本对应的节点信息,进行数据清洗。
在一些实施例中,对各个图结构样本和图结构样本对应的节点信息,进行数据清洗,以剔除空白值或者异常值。
步骤406,将清洗后的图结构样本以及所述图结构样本对应的节点信息,进行测试案例相关特征提取,对提取到的特征进行特征化处理,得到图结构特征样本和节点特征样本。
其中,特征化提取可以包括归一化处理、标准化处理或缺失值填充处理中的至少一个。
步骤408,通过所述图结构特征样本和所述节点特征样本,调整训练前的案例预测模型的参数,直至所述训练前的案例预测模型收敛,得到训练后的案例预测模型。
在一些实施例中,将清洗后的图结构样本以及图结构样本对应的节点信息,进行测试案例相关特征提取,对提取到的特征进行特征化处理,得到图结构特征样本和节点特征样本,以通过图结构特征样本和节点特征样本,调整训练前的案例预测模型的参数,直至训练前的案例预测模型收敛,得到训练后的案例预测模型。
在上述实施例中,测试案例知识图谱是基于历史测试案例构成的,从测试案例知识图谱中获取图结构样本和对应的节点信息,调整训练前的案例预测模型的参数,直至训练前的案例预测模型收敛,使得训练后的案例预测模型适用于真实环境中测试任务的测试案例的生成,提高测试案例生成的准确率和成功率,此外,不依赖与人工来手动编写,加快了测试案例生成的效率,并且减少了测试任务对应的测试案例生成的人力成本。
在一个实施例中,所述测试案例知识图谱包括多个三元组,所述三元组包括第三实体信息、第三关系信息和第四实体信息,所述方法还包括:
在检测到存在所述三元组中的一信息缺失的情况下,确定信息缺失类型;所述信息缺失类型包括第一信息缺失和第二信息缺失;所述第一信息缺失为所述三元组中第三实体信息缺失或第四实体信息缺失;所述第二信息缺失为所述三元组中所述第三关系信息缺失;
在所述信息缺失类型为所述第一信息缺失的情况下,根据图卷积神经网络,确定缺失的第三实体信息或第四实体信息,以对所述测试案例知识图谱进行补全操作;
在所述信息缺失类型为所述第二信息缺失的情况下,根据推理学习算法,确定缺失的第三关系信息,以对所述测试案例知识图谱进行补全操作。
其中,测试案例知识图谱包括多个三元组,三元组包括第三实体信息、第三关系信息和第四实体信息。信息缺失类型包括第一信息缺失和第二信息缺失。第一信息缺失为三元组中第三实体信息或第四实体信息缺失,第二信息缺失为三元组中第三关系信息缺失。
测试案例知识图谱补全是当三元组中两个信息已知的情况下,对缺失的第三个信息进行预测,以实现知识图谱补全。
示例性地,实体信息和关系信息分别可以对应为实体节点和关系节点。测试案例知识图谱可采用“编码器+解码器”方式来生成三元组中缺失的信息。在编码器中,实体节点的学习可以通过图卷积神经网络来实现,不断聚合周围邻居节点的信息得到每个节点的特征表示,而关系节点的学习,是通过Trans系列来进行表示学习,进而得到关系的特性向量表示;解码器则是将待补全的三元组输入非线性卷积神经网络,最后Softmax概率函数得到缺失的实体信息/关系信息是否预测正确。具体地,输入非线性卷积神经网络的三元组缺失信息特征可以是随机选择知识图谱中已有的实体进行替代,从而增加模型的鲁棒性。
示例性地,图卷积神经网络通过神经信息传递方式不断聚合相邻节点的特征更新自身节点的表示,特征信息传播一般表达式为:
其中,i表示为知识图谱中的每个节点;N(i)表示节点i的邻接节点的集和;j表示i的邻居节点。l表示的层表示图神经网络的第l层,或者第l次迭代;表示子图中各个节点在第l层的特性表示,σ表示非线性激活函数,AGGREGAT表示对节点的相邻节点传递过来的信息进行整合操作,整合可采用平均池化、最大池化、级联等函数进行操作,g(*)表示用于构建消息特征的消息映射函数。
示例性地,推理学习算法可以为采用Trans系列。具体地,可以采用TransR模型,将实体和关系分别映射到两个空间中,然后将实体空间中的第三实体信息对应的头实体向量、第四实体信息对应的尾实体向量,通过矩阵投影到第三关系信息对应的关系向量所在的向量空间。在模型训练过程中,随机采样其余尾实体向量作为负样本,使得真实的三元组满足约束关系,负样本则不满足。将三元组表示为语义向量后,可利用向量间的相似度来进行知识图谱的推理工作,以实现对于缺失的三元组关系,进行预测缺失的关系。
在一些实施例中,测试案例知识图谱可以在检测到三元组中是否存在信息缺失,若存在一信息缺失的话,确定信息缺失类型,以根据信息缺失类型对三元组中缺失的信息进行补全。具体地,在信息缺失类型为第一信息缺失的情况下,可以根据图卷积神经网络,确定缺失的第三实体信息或第四实体信息,以对测试案例知识图谱进行补全操作。在信息缺失类型为第二信息缺失的情况下,根据推理学习算法,确定缺失的第三关系信息,以对测试案例知识图谱进行补全操作。
在上述实施例中,通过确定信息缺失类型,以在信息缺失类型为第一信息缺失的情况下,根据图卷积神经网络,确定缺失的第三实体信息或第四实体信息,以对测试案例知识图谱进行补全,在信息缺失类型为第二信息缺失的情况下,根据推理学习算法,确定缺失的第三关系信息,以对测试案例知识图谱进行补全,实现了在两种情况下对测试案例知识图谱的补全。
为了更好地理解本发明实施例中测试案例生成的完整过程,以一完整示例加以说明,参考图5,示出了另一个实施例中测试案例生成方法的流程示意图,包括以下步骤:
步骤502,获取历史测试案例集和产品规则信息;对历史测试案例的文本信息和产品规则信息,进行实体抽取和关系抽取,得到第二实体信息和第二关系信息;基于第二实体信息和第二关系信息,构建测试案例知识图谱。
步骤504,从测试案例知识图谱中,获取各个图结构样本以及图结构样本对应的节点信息,进行数据清洗;将清洗后的图结构样本以及图结构样本对应的节点信息,进行测试案例相关特征提取,得到图结构特征样本和节点特征样本;通过图结构特征样本和节点特征样本,调整训练前的案例预测模型的参数,直至训练前的案例预测模型收敛,得到训练后的案例预测模型。
步骤506,在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息。
步骤508,将需求信息输入至预先训练后的实体语义模型,获取针对需求信息的第一实体信息;将需求信息输入至预先训练后的关系语义模型,获取针对需求信息的第一关系信息。
步骤510,获取测试案例知识图谱;根据第一实体信息、第一关系信息以及测试案例知识图谱,获取相关子图范围信息。
步骤512,将相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合。
步骤514,根据测试案例集合中测试案例的概率,确定候选测试案例;根据候选测试案例,生成目标测试案例。
本实施例中,在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;根据需求信息,获取针对需求信息的第一实体信息和第一关系信息;获取测试案例知识图谱;根据第一实体信息、第一关系信息以及测试案例知识图谱,获取相关子图范围信息;将相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;根据测试案例集合,生成目标测试案例。采用本方法可以通过需求信息,获取对应的第一实体信息和第一关系信息,以根据第一实体信息、第一关系信息和测试案例知识图谱进行初步的筛选出与测试任务相关的信息,然后通过案例预测模型,实现了测试任务对应的目标测试案例的生成,提高了测试案例生成的成功率,此外,不依赖与人工来手动编写,加快了测试案例生成的效率,并且减少了测试任务对应的测试案例生成的人力成本。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的测试案例生成方法的测试案例生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个测试案例生成装置实施例中的具体限定可以参见上文中对于测试案例生成方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种测试案例生成装置,包括:需求信息获取模块602、第一实体和关系信息获取模块604、知识图谱获取模块606、子图信息获取模块608、预测集合得到模块610和测试案例生成模块612,其中:
需求信息获取模块602,用于在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;
第一实体和关系信息获取模块604,用于根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息;
知识图谱获取模块606,用于获取测试案例知识图谱;
子图信息获取模块608,用于根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息;
预测集合得到模块610,用于将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;
测试案例生成模块612,用于根据所述测试案例集合,生成目标测试案例。
在一些实施例中,所述第一实体和关系信息获取模块604,包括:
实体信息获取单元,用于将所述需求信息输入至预先训练后的实体语义模型,获取针对所述需求信息的第一实体信息;
关系信息获取单元,用于将所述需求信息输入至预先训练后的关系语义模型,获取针对所述需求信息的第一关系信息。
在一些实施例中,所述测试案例集合包括对应测试案例的概率,所述测试案例生成模块,包括:
候选案例确定单元,用于根据所述测试案例集合中测试案例的概率,确定候选测试案例;
目标案例生成单元,用于根据所述候选测试案例,生成所述目标测试案例。
在一些实施例中,所述装置还包括:
历史信息获取模块,用于获取历史测试案例集和产品规则信息;所述历史测试案例集包括历史测试案例的文本信息;
实体信息和关系信息得到模块,用于对所述历史测试案例的文本信息和所述产品规则信息,进行实体抽取和关系抽取,得到第二实体信息和第二关系信息;
知识图谱构建模块,用于基于所述第二实体信息和所述第二关系信息,构建所述测试案例知识图谱。
在一些实施例中,所述装置还包括:
节点信息获取模块,用于从所述测试案例知识图谱中,获取各个图结构样本以及所述图结构样本对应的节点信息;
数据清洗模块,用于对各个图结构样本以及所述图结构样本对应的节点信息,进行数据清洗;
特征处理模块,用于将清洗后的图结构样本以及所述图结构样本对应的节点信息,进行测试案例相关特征提取,对提取到的特征进行特征化处理,得到图结构特征样本和节点特征样本;
案例模型得到模块,用于通过所述图结构特征样本和所述节点特征样本,调整训练前的案例预测模型的参数,直至所述训练前的案例预测模型收敛,得到训练后的案例预测模型。
在一些实施例中,所述测试案例知识图谱包括多个三元组,所述三元组包括第三实体信息、第三关系信息和第四实体信息,所述装置还包括:
信息缺失类型确定模块,用于在检测到存在所述三元组中的一信息缺失的情况下,确定信息缺失类型;所述信息缺失类型包括第一信息缺失和第二信息缺失;所述第一信息缺失为所述三元组中第三实体信息缺失或第四实体信息缺失;所述第二信息缺失为所述三元组中所述第三关系信息缺失;
第一补全操作模块,用于在所述信息缺失类型为所述第一信息缺失的情况下,根据图卷积神经网络,确定缺失的第三实体信息或第四实体信息,以对所述测试案例知识图谱进行补全操作;
第二补全操作模块,用于在所述信息缺失类型为所述第二信息缺失的情况下,根据推理学习算法,确定缺失的第三关系信息,以对所述测试案例知识图谱进行补全操作。
上述测试案例生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种测试案例生成方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;
根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息;
获取测试案例知识图谱;
根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息;
将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;
根据所述测试案例集合,生成目标测试案例。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;
根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息;
获取测试案例知识图谱;
根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息;
将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;
根据所述测试案例集合,生成目标测试案例。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;
根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息;
获取测试案例知识图谱;
根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息;
将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;
根据所述测试案例集合,生成目标测试案例。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种测试案例生成方法,其特征在于,所述方法包括:
在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;
根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息;
获取测试案例知识图谱;
根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息;
将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;
根据所述测试案例集合,生成目标测试案例。
2.根据权利要求1所述的方法,其特征在于,所述根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息,包括:
将所述需求信息输入至预先训练后的实体语义模型,获取针对所述需求信息的第一实体信息;
将所述需求信息输入至预先训练后的关系语义模型,获取针对所述需求信息的第一关系信息。
3.根据权利要求1所述的方法,其特征在于,所述测试案例集合包括对应测试案例的概率,所述根据所述测试案例集合,生成目标测试案例,包括:
根据所述测试案例集合中测试案例的概率,确定候选测试案例;
根据所述候选测试案例,生成所述目标测试案例。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述方法还包括:
获取历史测试案例集和产品规则信息;所述历史测试案例集包括历史测试案例的文本信息;
对所述历史测试案例的文本信息和所述产品规则信息,进行实体抽取和关系抽取,得到第二实体信息和第二关系信息;
基于所述第二实体信息和所述第二关系信息,构建所述测试案例知识图谱。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
从所述测试案例知识图谱中,获取各个图结构样本以及所述图结构样本对应的节点信息;
对各个图结构样本以及所述图结构样本对应的节点信息,进行数据清洗;
将清洗后的图结构样本以及所述图结构样本对应的节点信息,进行测试案例相关特征提取,对提取到的特征进行特征化处理,得到图结构特征样本和节点特征样本;
通过所述图结构特征样本和所述节点特征样本,调整训练前的案例预测模型的参数,直至所述训练前的案例预测模型收敛,得到训练后的案例预测模型。
6.根据权利要求4所述的方法,其特征在于,所述测试案例知识图谱包括多个三元组,所述三元组包括第三实体信息、第三关系信息和第四实体信息,所述方法还包括:
在检测到存在所述三元组中的一信息缺失的情况下,确定信息缺失类型;所述信息缺失类型包括第一信息缺失和第二信息缺失;所述第一信息缺失为所述三元组中第三实体信息缺失或第四实体信息缺失;所述第二信息缺失为所述三元组中所述第三关系信息缺失;
在所述信息缺失类型为所述第一信息缺失的情况下,根据图卷积神经网络,确定缺失的第三实体信息或第四实体信息,以对所述测试案例知识图谱进行补全操作;
在所述信息缺失类型为所述第二信息缺失的情况下,根据推理学习算法,确定缺失的第三关系信息,以对所述测试案例知识图谱进行补全操作。
7.一种测试案例生成装置,其特征在于,所述装置包括:
需求信息获取模块,用于在检测到需要执行测试任务的情况下,获取针对测试任务的需求信息;
第一实体和关系信息获取模块,用于根据所述需求信息,获取针对所述需求信息的第一实体信息和第一关系信息;
知识图谱获取模块,用于获取测试案例知识图谱;
子图信息获取模块,用于根据所述第一实体信息、所述第一关系信息以及所述测试案例知识图谱,获取相关子图范围信息;
预测集合得到模块,用于将所述相关子图范围信息输入至预先训练后的案例预测模型中,得到预测的测试案例集合;
测试案例生成模块,用于根据所述测试案例集合,生成目标测试案例。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的测试案例生成方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的测试案例生成方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的测试案例生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685538.XA CN116881122A (zh) | 2023-06-09 | 2023-06-09 | 测试案例生成方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685538.XA CN116881122A (zh) | 2023-06-09 | 2023-06-09 | 测试案例生成方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116881122A true CN116881122A (zh) | 2023-10-13 |
Family
ID=88261223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310685538.XA Pending CN116881122A (zh) | 2023-06-09 | 2023-06-09 | 测试案例生成方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881122A (zh) |
-
2023
- 2023-06-09 CN CN202310685538.XA patent/CN116881122A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3711000B1 (en) | Regularized neural network architecture search | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN114549913B (zh) | 一种语义分割方法、装置、计算机设备和存储介质 | |
US9436912B1 (en) | Symmetric schema instantiation method for use in a case-based reasoning system | |
CN111815432A (zh) | 金融服务风险预测方法及装置 | |
CN111898675A (zh) | 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备 | |
CN116993513A (zh) | 金融风控模型解释方法、装置及计算机设备 | |
CN114782960B (zh) | 模型训练方法、装置、计算机设备及计算机可读存储介质 | |
CN116522232A (zh) | 文档分类方法、装置、设备及存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN116881122A (zh) | 测试案例生成方法、装置、设备、存储介质和程序产品 | |
CN115601550B (zh) | 模型确定方法、装置、计算机设备及计算机可读存储介质 | |
CN116612474B (zh) | 对象检测方法、装置、计算机设备及计算机可读存储介质 | |
US20230041338A1 (en) | Graph data processing method, device, and computer program product | |
CN116881543A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
CN117407418A (zh) | 信息获取方法、装置、计算机设备、存储介质和程序产品 | |
CN117010334A (zh) | 文本信息生成方法、装置、计算机设备和存储介质 | |
CN116524260A (zh) | 图像分类方法、图像分类模型的训练方法及装置 | |
CN117435910A (zh) | 一种异常数据的检测方法、装置、计算机设备 | |
CN117975473A (zh) | 票据文本检测模型训练及检测方法、装置、设备和介质 | |
CN117874619A (zh) | 客服评分模型的构建方法、装置、计算机设备和存储介质 | |
CN115130539A (zh) | 分类模型训练、数据分类方法、装置和计算机设备 | |
CN117112724A (zh) | 搜索推送方法、装置、设备、存储介质和计算机程序产品 | |
Koromyslova | FEATURES SELECTION OF EVOLUTIONARY ALGORITHMS IN TEXT CLASSIFICATION PROBLEMS | |
CN115630973A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 |
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 |