CN117093501B - 一种基于预训练模型的测试用例推荐方法、电子设备及存储介质 - Google Patents
一种基于预训练模型的测试用例推荐方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117093501B CN117093501B CN202311240592.XA CN202311240592A CN117093501B CN 117093501 B CN117093501 B CN 117093501B CN 202311240592 A CN202311240592 A CN 202311240592A CN 117093501 B CN117093501 B CN 117093501B
- Authority
- CN
- China
- Prior art keywords
- test
- information
- test strategy
- feature
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 219
- 238000012549 training Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000013598 vector Substances 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 35
- 238000011176 pooling Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 7
- 238000013522 software testing Methods 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation 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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
一种基于预训练模型的测试用例推荐方法、电子设备及存储介质,属于软件测试技术领域。为提高测试用例设计效率,本发明构建测试策略模型,将经过预处理的测试用例样本输入到测试策略特征预训练模型分支1提取测试策略特征;构建功能需求信息模型,将经过预处理的功能需求样本输入到测试策略特征预训练模型分支2提取功能需求信息特征;构建测试策略特征预训练模型,计算每个测试策略特征和功能需求信息特征的匹配程度;提取基于匹配度的测试策略信息;构建测试用例预训练模型,将基于匹配度的测试策略信息和功能需求样本输入到测试用例预训练模型中,基于优化注意力机制计算语义向量,输出推荐的测试用例步骤信息。本发明准确推荐测试用例。
Description
技术领域
本发明属于软件测试技术领域,具体涉及一种基于预训练模型的测试用例推荐方法、电子设备及存储介质。
背景技术
近年来,伴随着人工智能、工业互联网等高新产业高质量、快速发展,如何在项目周期内生产高质量测试用例对含有专业领域知识的软件系统顺利交付具有关键作用。在软件测试过程中根据软件特有需求和专业知识进行测试用例设计时,需要提前了解专业知识和业务的关系,因此耗费大量人力资源和时间,增加项目整体人力成本。
目前测试行业内通常采用通用用例集统一管理的模式,缩短设计用例时间成本,提高测试效率。虽然通用用例集按照业务场景进行分类,依照设计规范对每个用例进行设计和优化,但是每次对用例进行筛选和适应性修改均受限于测试工程师的测试技术和经验,这种方法导致用例设计缺乏针对性,设计效率较低。
发明内容
本发明要解决的问题是实现测试用例的高效选择、提高测试用例设计效率,提出一种基于预训练模型的测试用例推荐方法、电子设备及存储介质。
为实现上述目的,本发明通过以下技术方案实现:
一种基于预训练模型的测试用例推荐方法,包括如下步骤:
S1、采集功能需求样本和测试策略样本;
S2、构建测试策略模型,对测试策略样本进行预处理,将预处理后的测试策略样本输入到测试策略特征预训练模型分支1,提取测试策略特征;
S3、构建功能需求信息模型,对功能需求样本进行预处理,将预处理后的功能需求样本输入到测试策略特征预训练模型分支2,提取功能需求信息特征;
S4、将步骤S2的测试策略特征预训练模型分支1和步骤S3的测试策略特征预训练模型分支2组成测试策略特征预训练模型,将步骤S2得到预处理后的测试策略样本、步骤S3得到预处理后的功能需求样本输入到测试策略特征预训练模型中提取测试策略特征和功能需求特征,计算每个测试策略特征和功能需求信息特征的匹配程度;
S5、根据步骤S4得到的每个测试策略特征和功能需求信息特征的匹配程度,基于匹配值大小排列测试策略信息;
S6、构建测试用例预训练模型,将步骤S5得到的基于匹配值排列的测试策略信息及S3中预处理后的功能需求样本输入到测试用例预训练模型中,输出推荐的测试用例的步骤信息。
进一步的,步骤S2构建的测试策略模型的计算表达式为:
y1=f1(kmn+bm*1)
其中,kmn为m*n的测试策略矩阵,bm*1为领域信息矩阵,f1(x)为测试策略特征预训练模型分支1,y1为测试策略特征向量矩阵;
所述测试策略矩阵用于存放等价类划分法、边界值法、错误推测法、场景分析法的方法信息,领域信息矩阵用于存放测试策略对应的专业领域术语。
进一步的,步骤S3构建的需求信息模型的计算表达式为:
y2=f2(vpq)
其中,vpq为p*q的需求信息矩阵,f2(x)为测试策略特征预训练模型分支2,y2为功能需求信息特征向量矩阵。
进一步的,步骤S4的具体实现方法包括如下步骤:
S4.1、构建测试策略特征预训练模型,本模型为双通道模型,模型输入包含分支1和分支2部分,每个分支均包括卷积层、池化层、全连接层,所述卷积层连接池化层,池化层连接全连接层;
S4.1.1、卷积层采用3*3的矩阵作为卷积核,卷积层特征T(y)的计算表达式为:
其中,f为激活函数Relu,为卷积操作,bg为卷积核对应的偏置项,x为特征信息,mi为样本信息;
S4.1.2、池化层采用最大池化方法得到特征矩阵,池化层特征D(e)的计算表达式为:
D(e)=fmax(xall)
其中,fmax为最大池化函数,xall为所有特征信息;
S4.1.3、全连接层采用n*1矩阵,将测试策略特征和功能需求信息特征作为输入,使用余弦距离公式表示测试策略特征和功能需求信息特征的匹配关系,得到测试策略概率cos(y1,y2)的计算表达式为:
其中,y1为测试策略特征矩阵,y2为功能需求信息特征矩阵;
S4.2、将步骤S2得到预处理后的测试策略样本、步骤S3得到预处理后的功能需求样本输入到测试策略特征预训练模型中,提取测试策略特征和功能需求信息特征,计算每个测试策略特征和功能需求信息特征的测试策略概率。
进一步的,步骤S5根据步骤S4计算的测试策略概率中,提取测试策略概率最大的前2-5位,得到与功能需求信息匹配的测试策略。
进一步的,步骤S6的具体实现方法包括如下步骤:
S6.1、构建测试用例预训练模型,采用双Seq2Seq模型机制,包括模型分支M1和模型分支M2,设置模型分支M1的输入为测试策略,模型分支M2的输入为功能需求样本;
S6.2、设置模型分支M1和模型分支M2在Encoder过程中均采用LSTM网络结构,将步骤S5得到的基于匹配度排列测试策略信息和预处理后的功能需求样本输入到测试用例预训练模型中,利用LSTM网络重新计算测试策略信息特征和功能需求信息特征,并基于优化注意力机制的计算方法将两种特征的语义向量整合后得到新的语义向量f(c),计算表达式为:
Cu=Ce+Cr
f(c)=fsigmoid(w1Cu+b1)*ftanh(w2Cu+b2)
其中,Cu为整合后语义向量,Ce为模型分支M1产生的测试策略初始语义向量,Cr为模型分支M2产生的功能需求信息初始语义向量,fsigmoid为sigmoid函数,ftanh为双曲正切函数,w1和w2为第一权重矩阵、第二权重矩阵,b1和b2为第一偏置项、第二偏置项;
S6.3、将步骤S6.2得到的整合后的语义向量输入到模型分支M1中,在Decoder解码器中生成融合测试策略信息和功能需求信息的测试用例信息,得到推荐的测试用例步骤信息。
电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现所述的一种基于预训练模型的测试用例推荐方法的步骤。
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所述的一种基于预训练模型的测试用例推荐方法。
本发明的有益效果:
本发明所述的一种基于预训练模型的测试用例推荐方法,无需引用历史测试用例作为推荐用例的参考,参考并应用国家标准GB/T 38634.4-2020的测试策略,避免不规范的历史测试用例对推荐用例的负面影响,实现了为待测试系统推荐专业的测试用例。
进一步地,本发明所设计的模型在测试集上平均损失值为0.373,方差为0.0043,证明模型泛化能力良好,具有良好的稳定性。利用本发明自动推荐测试用例的平均耗时为18秒,生成的测试用例步骤信息准确完整,并且能从多维度抓住测试要点,缩短测试用例设计时间,减少了人力成本。
附图说明
图1为本发明所述的一种基于预训练模型的测试用例推荐方法的流程图;
图2为本发明所述的一种基于预训练模型的测试用例推荐方法的经过55轮迭代后训练集和测试集中损失函数变化曲线。
图3为本发明所述的一种基于预训练模型的测试用例推荐方法的自动生成100个测试用例步骤信息的耗时统计变化曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施方式,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅用以解释本发明,并不用于限定本发明,即所描述的具体实施方式仅仅是本发明一部分实施方式,而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计,本发明还可以具有其他实施方式。
因此,以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效,兹例举以下具体实施方式,并配合附图1-附图3详细说明如下:
具体实施方式一:
一种基于预训练模型的测试用例推荐方法,包括如下步骤:
S1、采集功能需求样本和测试策略样本;
S2、构建测试策略模型,对测试策略样本进行预处理,将预处理后的测试策略样本输入到测试策略特征预训练模型分支1,提取测试策略特征;
进一步的,步骤S2构建的测试策略模型的计算表达式为:
y1=f1(kmn+bm*1)
其中,kmn为m*n的测试策略矩阵,bm*1为领域信息矩阵,f1(x)为测试策略特征预训练模型分支1,y1为测试策略特征向量矩阵;
进一步的,根据《GB/T 38634.4-2020系统与软件工程软件测试第四部分》中关于测试技术抽象形成测试策略矩阵k64*64,矩阵中每行信息代表采用某种标准测试技术针对被测试系统某一功的测试用例,测试用例中必须存在但无具体指向的词用0代替,如某界面替换为0界面,测试策略矩阵某行为[点击0功能,在0界面下设置0字段信息,点击搜索按键];
以遥感信息领域为例,领域信息矩阵bn*1=[辐射校正影像质量补偿MTFC补偿几何校正…正射校正]T;
所述测试策略矩阵用于存放等价类划分法、边界值法、错误推测法、场景分析法的方法信息,领域信息矩阵用于存放测试策略对应的专业领域术语;
S3、构建功能需求信息模型,对功能需求样本进行预处理,将预处理后的功能需求样本输入到测试策略特征预训练模型分支2,提取功能需求信息特征;
进一步的,步骤S3构建的功能需求信息模型的计算表达式为:
y2=f2(vpq)
其中,vpq为p*q的需求信息矩阵,f2(x)为测试策略特征预训练模型分支2,y2为功能需求信息特征向量矩阵;
进一步的,以p*q的需求信息矩阵中某行为例,得到[点击遥感影像管理功能,在遥感影像解译成果展示界面中设置时间段信息,点击搜索按键,正确展示搜索信息];
S4、将步骤S2的测试策略特征预训练模型分支1和步骤S3的测试策略特征预训练模型分支2组成测试策略特征预训练模型,将步骤S2得到预处理后的测试策略样本、步骤S3得到预处理后的功能需求样本输入到测试策略特征预训练模型中提取测试策略特征和功能需求特征,计算每个测试策略特征和功能需求信息特征的匹配程度;
进一步的,步骤S4的具体实现方法包括如下步骤:
S4.1、构建测试策略特征预训练模型,本模型为双通道模型,模型输入包含分支1和分支2部分,每个分支均包括卷积层、池化层、全连接层,所述卷积层连接池化层,所池化层连接全连接层;
S4.1.1、卷积层采用3*3的矩阵作为卷积核,卷积层特征T(y)的计算表达式为:
其中,f为激活函数Relu,为卷积操作,bg为卷积核对应的偏置项,x为特征信息,mi为样本信息;
S4.1.2、池化层采用最大池化方法得到特征矩阵,池化层特征D(e)的计算表达式为:
D(e)=fmax(xall)
其中,fmax为最大池化函数,xall为所有特征信息;
S4.1.3、全连接层采用m*1矩阵,将测试策略特征和需求信息特征作为输入,使用余弦距离公式表示测试策略特征和需求信息特征的匹配关系,得到测试策略概率cos(y1,y2)的计算表达式为:
其中,y1为测试策略特征矩阵,y2为需求信息特征矩阵;
S4.2、将步骤S2得到预处理后的测试策略样本、步骤S3得到预处理后的功能需求样本输入到测试策略特征预训练模型中,提取测试策略特征和需求特征,计算每个测试策略特征和功能需求信息特征的测试策略概率;
进一步的,信息从双通道向后传播,通过Dense Embedding编码方式,将文本信息转化为二进制信息,将二进制信息矩阵进行卷积操作提取信息特征;
S5、根据步骤S4得到的每个测试策略特征和功能需求信息特征的匹配程度,提取基于匹配度排列测试策略信息;
进一步的,步骤S5根据步骤S4计算的测试策略概率中,提取测试策略概率最大的前2-5位,得到与功能需求样本匹配的测试策略信息;
S6、构建测试用例预训练模型,将步骤S5得到的基于匹配度排列测试策略信息及S3中预处理后的功能需求样本输入到测试用例预训练模型中,输出推荐的测试用例的步骤信息。
进一步的,步骤S6的具体实现方法包括如下步骤:
S6.1、构建测试用例预训练模型,采用双Seq2Seq模型机制,包括模型分支M1和模型分支M2,设置模型分支M1的输入为测试策略信息,模型分支M2的输入为功能需求样本;
S6.2、设置模型分支M1和模型分支M2在Encoder过程中均采用LSTM网络结构,将步骤S5得到的基于匹配度排列测试策略信息和预处理后的功能需求样本输入到测试用例预训练模型中,利用LSTM网络重新计算测试策略信息特征和功能需求信息特征,并基于优化注意力机制的计算方法将两种特征的语义向量整合后得到新的语义向量f(c),计算表达式为:
Cu=Ce+Cr
f(c)=fsigmoid(w1Cu+b1)*ftanh(w2Cu+b2)
其中,Cu为整合后语义向量,Ce为模型分支M1产生的测试策略初始语义向量,Cr为模型分支M2产生的需求信息初始语义向量,fsigmoid为sigmoid函数,ftanh为双曲正切函数,w1和w2为第一权重矩阵、第二权重矩阵,b1和b2为第一偏置项、第二偏置项;
S6.3、将步骤S6.2得到的整合后的语义向量输入到模型分支M1中,在Decoder解码器中生成融合测试策略信息和功能需求信息的测试用例信息,得到推荐的测试用例步骤信息。
利用本实施方式对于基于预训练模型的测试用例推荐方法对测试集样本数据对预训练模型进行测试,效果情况说明如下:
测试集样本包括测试策略样本、功能需求样本、用例样本,共25000个,其中测试策略样本种类包括等价类划分法样本、边界值法样本、错误推测法样本、场景分析法样本,在虚拟云平台下实现测试数据如表1和图2、图3所示:
表1:在虚拟云平台下测试数据
测试策略 | 策略样本 | 功能需求样本 | 用例样本 |
等价类划分法 | 900 | 1400 | 5500 |
边界值法 | 650 | 1000 | 4100 |
错误推测法 | 750 | 900 | 4500 |
场景分析法 | 700 | 1000 | 3600 |
从图2能够看出,本发明所设计模型在测试集上平均损失值为0.373,方差为0.0043,在训练集上平均损失值为0.295,方差为0.0036,训练集误差和测试集误差分布收敛且方差低,说明模型泛化能力良好,具有良好的稳定性。
从图3能看出,本发明所设计模型自动推荐测试用例的平均耗时为18秒,使用通用用例集人工设计用例的平均耗时为28秒,说明在设计测试用例效率方面模型具有较大优势。
具体实施方式二
电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现所述的一种基于预训练模型的测试用例推荐方法的步骤。
本发明的计算机装置可以是包括有处理器以及存储器等装置,例如包含中央处理器的单片机等。并且,处理器用于执行存储器中存储的计算机程序时实现上述的一种基于预训练模型的测试用例推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),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 Integrated Circuit,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。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施方式三:
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所述的一种基于预训练模型的测试用例推荐方法。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质,包括但不限于非易失性存储器、易失性存储器、铁电存储器等,计算机可读存储介质上存储有计算机程序,当计算机装置的处理器读取并执行存储器中所存储的计算机程序时,可以实现上述的一种基于预训练模型的测试用例推荐方法的步骤。
所述计算机程序包括计算机程序代码,所述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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述,然而在不脱离本申请的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本申请并不局限于文中公开的特定具体实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (4)
1.一种基于预训练模型的测试用例推荐方法,其特征在于,包括如下步骤:
S1、采集功能需求样本和测试策略样本;
S2、构建测试策略模型,对测试策略样本进行预处理,将预处理后的测试策略样本输入到测试策略特征预训练模型分支1,提取测试策略特征;
步骤S2构建的测试策略模型的计算表达式为:
y1=f1(kmn+bm*1)
其中,kmn为m*n的测试策略矩阵,bm*1为领域信息矩阵,f1(x)为测试策略特征预训练模型分支1,y1为测试策略特征向量矩阵;
所述测试策略矩阵用于存放等价类划分法、边界值法、错误推测法、场景分析法的方法信息,领域信息矩阵用于存放测试策略对应的专业领域术语;
S3、构建功能需求信息模型,对功能需求样本进行预处理,将预处理后的功能需求样本输入到测试策略特征预训练模型分支2,提取功能需求信息特征;
步骤S3构建的功能需求信息模型的计算表达式为:
y2=f2(vpq)
其中,vpq为p*q的需求信息矩阵,f2(x)为测试策略特征预训练模型分支2,y2为功能需求信息特征向量矩阵;
S4、将步骤S2的测试策略特征预训练模型分支1和步骤S3的测试策略特征预训练模型分支2组成测试策略特征预训练模型,将步骤S2得到预处理后的测试策略样本、步骤S3得到预处理后的功能需求样本输入到测试策略特征预训练模型中提取测试策略特征和功能需求特征,计算每个测试策略特征和功能需求信息特征的匹配程度;
步骤S4的具体实现方法包括如下步骤:
S4.1、构建测试策略特征预训练模型,为双通道模型,模型输入包含分支1和分支2部分,每个分支均包括卷积层、池化层、全连接层,所述卷积层连接池化层,池化层连接全连接层;
S4.1.1、卷积层采用3*3的矩阵作为卷积核,卷积层特征T(y)的计算表达式为:
其中,f为激活函数Relu,为卷积操作,bg为卷积核对应的偏置项,x为特征信息,mi为样本信息;
S4.1.2、池化层采用最大池化方法得到特征矩阵,池化层特征D(e)的计算表达式为:
D(e)=fmax(xall)
其中,fmax为最大池化函数,xall为所有特征信息;
S4.1.3、全连接层采用n*1矩阵,将测试策略特征和功能需求信息特征作为输入,使用余弦距离公式表示测试策略特征和功能需求信息特征的匹配关系,得到测试策略概率cos(y1,y2)的计算表达式为:
其中,y1为测试策略特征矩阵,y2为功能需求信息特征矩阵;
S4.2、将步骤S2得到预处理后的测试策略样本、步骤S3得到的功能需求样本输入到测试策略特征预训练模型中,提取测试策略特征和需求特征,计算每个测试策略特征和功能需求信息特征的测试策略概率;
S5、根据步骤S4得到的每个测试策略特征和功能需求信息特征的匹配程度,基于匹配值大小排列测试策略信息;
S6、构建测试用例预训练模型,将步骤S5得到的基于匹配值排列的测试策略信息及S3中预处理后的功能需求样本输入到测试用例预训练模型中,输出推荐的测试用例的步骤信息;
步骤S6的具体实现方法包括如下步骤:
S6.1、构建测试用例预训练模型,采用双Seq2Seq模型机制,包括模型分支M1和模型分支M2,设置模型分支M1的输入为测试策略,模型分支M2的输入为功能需求样本;
S6.2、设置模型分支M1和模型分支M2在Encoder过程中均采用LSTM网络结构,将步骤S5得到的基于匹配度排列测试策略信息和预处理后的功能需求样本输入到测试用例预训练模型中,利用LSTM网络重新计算测试策略信息特征和功能需求信息特征,并基于优化注意力机制的计算方法将两种特征的语义向量整合后得到新的语义向量f(c),计算表达式为:
Cu=Ce+Cr
f(c)=fsigmoid(w1Cu+b1)*ftanh(w2Cu+b2)
其中,Cu为整合后语义向量,Ce为模型分支M1产生的测试策略初始语义向量,Cr为模型分支M2产生的功能需求信息初始语义向量,fsigmoid为sigmoid函数,ftanh为双曲正切函数,w1和w2为第一权重矩阵、第二权重矩阵,b1和b2为第一偏置项、第二偏置项;
S6.3、将步骤S6.2得到的整合后的语义向量输入到模型分支M1中,在Decoder解码器中生成融合测试策略信息和功能需求信息的测试用例信息,得到推荐的测试用例步骤信息。
2.根据权利要求1所述的一种基于预训练模型的测试用例推荐方法,其特征在于,步骤S5根据步骤S4计算的测试策略概率中,提取测试策略概率最大的前2-5位,得到与功能需求样本匹配的测试策略。
3.一种电子设备,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1-2任一项所述的一种基于预训练模型的测试用例推荐方法的步骤。
4.一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1-2任一项所述的一种基于预训练模型的测试用例推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311240592.XA CN117093501B (zh) | 2023-09-25 | 2023-09-25 | 一种基于预训练模型的测试用例推荐方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311240592.XA CN117093501B (zh) | 2023-09-25 | 2023-09-25 | 一种基于预训练模型的测试用例推荐方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117093501A CN117093501A (zh) | 2023-11-21 |
CN117093501B true CN117093501B (zh) | 2024-03-12 |
Family
ID=88781944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311240592.XA Active CN117093501B (zh) | 2023-09-25 | 2023-09-25 | 一种基于预训练模型的测试用例推荐方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093501B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515826A (zh) * | 2017-08-28 | 2017-12-26 | 广州阿里巴巴文学信息技术有限公司 | 测试用例精准推荐方法、装置、系统、设备及存储介质 |
CN111444076A (zh) * | 2018-12-29 | 2020-07-24 | 北京奇虎科技有限公司 | 基于机器学习模型的测试用例步骤的推荐方法和装置 |
CN112416778A (zh) * | 2020-11-24 | 2021-02-26 | 北京金山云网络技术有限公司 | 测试用例推荐方法、装置和电子设备 |
US10949337B1 (en) * | 2019-10-29 | 2021-03-16 | Accenture Global Solutions Limited | Utilizing neural network and artificial intelligence models to select and execute test cases in a software development platform |
CN113254354A (zh) * | 2021-07-02 | 2021-08-13 | 南昌航空大学 | 测试用例推荐方法、装置、可读存储介质及电子设备 |
CN114579430A (zh) * | 2022-01-26 | 2022-06-03 | 中国人民解放军陆军工程大学 | 一种基于预训练语言模型的测试用例推荐系统及方法 |
CN115904920A (zh) * | 2021-08-17 | 2023-04-04 | 中移(苏州)软件技术有限公司 | 一种测试用例推荐方法、装置、终端及存储介质 |
-
2023
- 2023-09-25 CN CN202311240592.XA patent/CN117093501B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515826A (zh) * | 2017-08-28 | 2017-12-26 | 广州阿里巴巴文学信息技术有限公司 | 测试用例精准推荐方法、装置、系统、设备及存储介质 |
CN111444076A (zh) * | 2018-12-29 | 2020-07-24 | 北京奇虎科技有限公司 | 基于机器学习模型的测试用例步骤的推荐方法和装置 |
US10949337B1 (en) * | 2019-10-29 | 2021-03-16 | Accenture Global Solutions Limited | Utilizing neural network and artificial intelligence models to select and execute test cases in a software development platform |
CN112416778A (zh) * | 2020-11-24 | 2021-02-26 | 北京金山云网络技术有限公司 | 测试用例推荐方法、装置和电子设备 |
CN113254354A (zh) * | 2021-07-02 | 2021-08-13 | 南昌航空大学 | 测试用例推荐方法、装置、可读存储介质及电子设备 |
CN115904920A (zh) * | 2021-08-17 | 2023-04-04 | 中移(苏州)软件技术有限公司 | 一种测试用例推荐方法、装置、终端及存储介质 |
CN114579430A (zh) * | 2022-01-26 | 2022-06-03 | 中国人民解放军陆军工程大学 | 一种基于预训练语言模型的测试用例推荐系统及方法 |
Non-Patent Citations (2)
Title |
---|
Interpretable Test Case Recommendation based on Knowledge Graph;Wenjun Ke等;《2020 IEEE 20th International Conference on Software Quality, Reliability and Security (QRS)》;20201211;第489 - 496页 * |
基于知识图谱的嵌入式操作系统测试用例复用推荐模型;余晓蕾等;《武汉大学学报(理学版)》;20230227(第02期);第187-194页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117093501A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544155B (zh) | 用户信用评分的获取方法、获取装置、服务器及存储介质 | |
CN111798273A (zh) | 产品的购买概率预测模型的训练方法及购买概率预测方法 | |
CN110569427A (zh) | 一种多目标排序模型训练、用户行为预测方法及装置 | |
Shumway et al. | Time series analysis and its applications (springer texts in statistics) | |
CN111368147A (zh) | 图特征处理的方法及装置 | |
CN113032580B (zh) | 关联档案推荐方法、系统及电子设备 | |
CN112069269B (zh) | 基于大数据和多维特征的数据溯源方法及大数据云服务器 | |
CN117093501B (zh) | 一种基于预训练模型的测试用例推荐方法、电子设备及存储介质 | |
CN110264311B (zh) | 一种基于深度学习的商业推广信息精准推荐方法及系统 | |
CN110929285B (zh) | 一种隐私数据的处理方法及装置 | |
CN109857816B (zh) | 测试样本的选取方法及装置、存储介质、电子设备 | |
CN111859933A (zh) | 马来语识别模型的训练方法、识别方法、装置、设备 | |
CN115730217A (zh) | 模型的训练方法、物料的召回方法及装置 | |
Kang et al. | Global trade of South Korea in competitive products and their impact on regional dependence | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN113780467A (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
Zhang et al. | Research on the construction and realization of data pipeline in machine learning regression prediction | |
JP2017054438A (ja) | 画像認識装置、方法、及びプログラム | |
CN110889462B (zh) | 一种数据处理方法、装置、设备和存储介质 | |
EP4235487A1 (en) | Semantic based ordinal sorting | |
CN114860912B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN116415977B (zh) | 一种直播间目标人群消费数据分析方法及系统 | |
CN117278614A (zh) | 一种资讯信息推送方法、装置、电子设备及存储介质 | |
CN114298191A (zh) | 一种基于标签子集的分类方法及系统 | |
US11250339B2 (en) | Ensemble classification algorithms having subclass resolution |
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 |