CN117453576A - 基于DXM模型的SaaS软件测试用例构建方法 - Google Patents
基于DXM模型的SaaS软件测试用例构建方法 Download PDFInfo
- Publication number
- CN117453576A CN117453576A CN202311787373.3A CN202311787373A CN117453576A CN 117453576 A CN117453576 A CN 117453576A CN 202311787373 A CN202311787373 A CN 202311787373A CN 117453576 A CN117453576 A CN 117453576A
- Authority
- CN
- China
- Prior art keywords
- knowledge graph
- test case
- keyword
- test
- relation
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 157
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013522 software testing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于DXM模型的SaaS软件测试用例构建方法,涉及软件测试技术领域,包括:S1、根据测试的SaaS软件功能结构和关键业务流程,确定测试目标,S2、根据测试目标和SaaS软件的功能结构,构建第一知识图谱,通过第一知识图谱构建关键功能的描述和预期结果的实体节点之间的关系。本发明利用DXM模型和知识图谱构建技术,能够自动地将SaaS软件的功能结构和关键业务流程转化为测试用例,相比传统手动编写测试用例的方式,能够大大提高测试用例的生成效率,并且通过使用DXM模型中的实体抽取模型,能够准确地从知识图谱中提取关键功能的描述和预期结果,而不需要人工干预。
Description
技术领域
本发明涉及软件测试技术领域,具体为基于DXM模型的SaaS软件测试用例构建方法。
背景技术
DXM模型是一种基于大规模知识图谱的模型,它利用知识图谱中的丰富信息和关系来进行数据处理和分析,知识图谱是一种结构化的知识表示方法,将现实世界中的实体、属性和它们之间的关系用图的形式进行表示,而DXM模型则是在这样的知识图谱基础上建立起来的一种深度学习模型,DXM模型通过学习知识图谱中的实体和关系之间的规律和语义,能够自动抽取和推理出新的知识,可以根据给定的查询,从知识图谱中检索相关的实体和关系,进行信息的推理和预测,并且DXM模型还可以通过知识图谱中的实体之间的关系,构建复杂的推理链条,实现更高层次的知识表达和推理;
SaaS即软件即服务,是一种云计算模式,指的是通过互联网提供软件应用程序的服务,在SaaS模式下,用户无需购买或安装软件,而是通过订阅的方式使用云端提供的软件服务;
手动编写测试用例需要耗费大量的人力和时间,并且容易出现遗漏或重复的情况,而且手动维护测试用例也需要消耗大量的人力资源,并且当测试用例是手动编写时,容易出现遗漏或者错误的情况,这意味着测试用例的覆盖率不足,缺乏对关键业务流程的全面性覆盖,并且在SaaS软件更新时,测试用例也需要及时更新,手动维护测试用例需要耗费大量的人力资源,而且容易出现失效或者遗漏的情况,从而影响测试的全面性和有效性。
发明内容
本发明的目的在于提供基于DXM模型的SaaS软件测试用例构建方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于DXM模型的SaaS软件测试用例构建方法,包括:
S1、根据测试的SaaS软件功能结构和关键业务流程,确定测试目标;
S2、根据测试目标和SaaS软件的功能结构,构建第一知识图谱,通过第一知识图谱构建关键功能的描述和预期结果的实体节点之间的关系;
S3、通过DXM模型中的实体抽取模型从第一知识图谱中提取第一关键词,且根据第一关键词在第一知识图谱中的关系位置,对第一关键词位置进行标识,第一关键词包括关键功能的描述和预期结果;
S4、根据提取的第一关键词和第一关键词在第一知识图谱中的位置标识,构建第一关系矩阵;
S5、利用分词工具将测试数据进行拆分,得到第二关键词,使用语义相似度算法计算与第一关键词的相似度,若计算的相似度高于预设的阈值,则将第二关键词对应的测试数据加入与第一关键词对应的第一关系矩阵中,从而形成第二关系矩阵,语义相似度算法包括一维卷积特征图和相似度计算层;
一维卷积特征图计算公式为:
其中,m表示卷积特征图大小,L表示文本截取的固定长度,k表示锚点在张量长度范围内依次移动的长度,l表示卷积移动步长;
相似度计算层计算公式为:
其中,d表示相似度,k表示检测文本所在的维数,n表示短文本的维数,表示第一语义向量,/>表示第二语义向量;
S6、根据形成的第二关系矩阵,构建第二知识图谱,且基于构建的第二知识图谱,建立相应的第一测试用例;
S7、接收用户对第一测试用例的审核结果,判断是否符合要求,如果符合要求,则在第二知识图谱中推荐第一测试用例,如果不符合要求,则根据用户需求修改第一测试用例形成第二测试用例,在第二知识图谱中用第二测试用例替代相应的第一测试用例,在第二知识图谱中推荐第二测试用例。
优选的,所述根据测试目标和SaaS软件的功能结构,构建第一知识图谱,通过第一知识图谱构建关键功能的描述和预期结果的实体节点之间的关系,包括:
根据测试目标,构建第一知识图谱,用于描述关键功能和预期结果之间的关系,第一知识图谱采用图结构表示,其中节点表示实体,边表示实体之间的关系;
根据功能结构和预期结果,确定关键功能的描述和预期结果,并将关键功能的描述和预期结果作为实体节点添加到第一知识图谱中;
根据功能结构和预期结果,确定实体节点之间的关联关系。
优选的,所述通过DXM模型中的实体抽取模型从第一知识图谱中提取第一关键词,且根据第一关键词在第一知识图谱中的关系位置,对第一关键词位置进行标识,第一关键词包括关键功能的描述和预期结果,包括:
使用DXM模型中的实体抽取模型,对第一知识图谱中的文本进行实体抽取;
根据第一关键词在第一知识图谱中的关系位置,对其进行标识,关系位置为第一关键词在知识图谱中的相对位置,包括节点的顺序和嵌套关系。
优选的,所述根据提取的第一关键词和第一关键词在第一知识图谱中的位置标识,构建第一关系矩阵,包括:
定义一个空的第一关系矩阵,矩阵的行表示第一关键词,列表示第一知识图谱中的位置标识;
遍历第一关键词列表,对于每个第一关键词,搜索第一关键词在第一知识图谱中的位置标识;
将第一关键词和位置标识填入第一关系矩阵中的相应位置;
重复以上步骤,直到遍历完所有的第一关键词。
优选的,所述利用分词工具将测试数据进行拆分,得到第二关键词,使用语义相似度算法计算与第一关键词的相似度,若计算的相似度高于预设的阈值,则将第二关键词对应的测试数据加入与第一关键词对应的第一关系矩阵中,从而形成第二关系矩阵,包括:
使用分词工具对测试数据进行拆分,将文本划分为第二关键词的序列;
对于每个第二关键词,通过语义相似度算法计算第二关键词与第一关键词的语义相似度;
将计算得到的相似度与预设的阈值进行比较,如果相似度高于预设的阈值,将第二关键词对应的测试数据添加到与第一关键词对应的第一关系矩阵中;
将第二关键词作为第一关系矩阵新的行,将测试数据作为新的列,将相应位置标记为1,表示第二关键词与测试数据相关,从而形成第二关系矩阵。
优选的,所述根据形成的第二关系矩阵,构建第二知识图谱,且基于构建的第二知识图谱,建立相应的第一测试用例,包括:
根据第二关系矩阵,构建第二知识图谱,遍历第二关系矩阵中的每一行,对于值为1的测试数据,将其与对应的第二关键词连接起来构成图谱的边;
根据第二知识图谱,建立相应的第一测试用例,选择一个第一关键词作为起始点;
从起始点开始进行深度优先搜索遍历第二知识图谱,在遍历过程中,记录经过的节点和边,形成一条测试用例路径;
根据测试用例路径,提取其中的测试数据和对应的第二关键词,将测试数据和第二关键词组合,构成第一测试用例;
直到遍历完整个第二知识图谱,得到所有的第一测试用例后,停止遍历。
优选的,所述接收用户对第一测试用例的审核结果,判断是否符合要求,如果符合要求,则在第二知识图谱中推荐第一测试用例,如果不符合要求,则根据用户需求修改第一测试用例形成第二测试用例,在第二知识图谱中用第二测试用例替代相应的第一测试用例,在第二知识图谱中推荐第二测试用例,包括:
接收用户对第一测试用例的审核结果,根据用户的审核结果,判断测试用例是否符合要求;
如果符合要求,在第二知识图谱中推荐测试用例;
如果不符合要求,则根据用户需求修改第一测试用例形成第二测试用例,且将第一测试用例从第二知识图谱中移除,并将修改后的第二测试用例添加到相应的位置;
根据用户反馈,重复进行以上操作,直到满足测试用例需求。
优选的,所述第二关键词包括测试数据的各方拆分片段。
与现有技术相比,本发明的有益效果是:
本发明利用DXM模型和知识图谱构建技术,能够自动地将SaaS软件的功能结构和关键业务流程转化为测试用例,相比传统手动编写测试用例的方式,能够大大提高测试用例的生成效率,并且通过使用DXM模型中的实体抽取模型,能够准确地从知识图谱中提取关键功能的描述和预期结果,而不需要人工干预,同时语义相似度算法能够计算出第一关键词和第二关键词之间的相似度,帮助过滤和筛选相关的测试数据,从而确保生成的测试用例具有较高的准确性和覆盖度;
本发明通过构建第一和第二知识图谱,可以直观地展示关键功能和预期结果之间的关联关系,并根据知识图谱中的边和节点信息生成相应的测试用例,这样做的好处是测试用例之间具有一定的逻辑关系,可以更好地反映实际使用场景,提高测试的全面性和真实性,并且允许用户对生成的第一测试用例进行审核,并根据用户的反馈进行修改和调整,从而可以确保测试用例符合用户的需求和期望,提高测试用例的质量和可靠性。
附图说明
图1为本发明实施例提供的整体方法流程图;
图2为本发明实施例提供的S2的流程图;
图3为本发明实施例提供的S3的流程图;
图4为本发明实施例提供的S4的流程图;
图5为本发明实施例提供的S5的流程图;
图6为本发明实施例提供的S6的流程图;
图7为本发明实施例提供的S7的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
请参阅图1-7,本发明提供一种技术方案:基于DXM模型的SaaS软件测试用例构建方法,包括:
S1、根据测试的SaaS软件功能结构和关键业务流程,确定测试目标;
在该步骤中,例如:测试一个在线购物平台,测试目标包括用户注册、商品搜索和订单支付等功能;
S2、根据测试目标和SaaS软件的功能结构,构建第一知识图谱,通过第一知识图谱构建关键功能的描述和预期结果的实体节点之间的关系;
在该步骤中,例如:对于用户注册功能,定义“用户注册”作为一个实体节点,并与其他实体节点,如“用户名”、“密码”等,建立关联关系;
S3、通过DXM模型中的实体抽取模型从第一知识图谱中提取第一关键词,且根据第一关键词在第一知识图谱中的关系位置,对第一关键词位置进行标识,第一关键词包括关键功能的描述和预期结果;
在该步骤中,例如:以用户注册功能为例,从第一知识图谱中提取出“用户注册”作为第一个关键词,并标识其在知识图谱中的位置;
S4、根据提取的第一关键词和第一关键词在第一知识图谱中的位置标识,构建第一关系矩阵;
在该步骤中,例如:将“用户注册”与“用户名”、“密码”等实体节点建立关系;
S5、利用分词工具将测试数据进行拆分,得到第二关键词,使用语义相似度算法计算与第一关键词的相似度,若计算的相似度高于预设的阈值,则将第二关键词对应的测试数据加入与第一关键词对应的第一关系矩阵中,从而形成第二关系矩阵,语义相似度算法包括一维卷积特征图和相似度计算层;
一维卷积特征图计算公式为:
其中,m表示卷积特征图大小,L表示文本截取的固定长度,k表示锚点在张量长度范围内依次移动的长度,l表示卷积移动步长;
相似度计算层计算公式为:
其中,d表示相似度,k表示检测文本所在的维数,n表示短文本的维数,表示第一语义向量,/>表示第二语义向量;
在该步骤中,例如:如果第二关键词是“手机号码”,并且与“用户注册”的相似度高于阈值,将与“手机号码”相关的测试数据添加到第一关系矩阵中;
S6、根据形成的第二关系矩阵,构建第二知识图谱,且基于构建的第二知识图谱,建立相应的第一测试用例;
在该步骤中,例如:根据第二关系矩阵生成一个包含输入数据和预期输出的测试用例,如输入有效的用户名和密码,预期结果为成功注册;
S7、接收用户对第一测试用例的审核结果,判断是否符合要求,如果符合要求,则在第二知识图谱中推荐第一测试用例,如果不符合要求,则根据用户需求修改第一测试用例形成第二测试用例,在第二知识图谱中用第二测试用例替代相应的第一测试用例,在第二知识图谱中推荐第二测试用例。
根据测试目标和SaaS软件的功能结构,构建第一知识图谱,通过第一知识图谱构建关键功能的描述和预期结果的实体节点之间的关系,包括:
S201、根据测试目标,构建第一知识图谱,用于描述关键功能和预期结果之间的关系,第一知识图谱采用图结构表示,其中节点表示实体,边表示实体之间的关系;
S202、根据功能结构和预期结果,确定关键功能的描述和预期结果,并将关键功能的描述和预期结果作为实体节点添加到第一知识图谱中;
S203、根据功能结构和预期结果,确定实体节点之间的关联关系;
通过DXM模型中的实体抽取模型从第一知识图谱中提取第一关键词,且根据第一关键词在第一知识图谱中的关系位置,对第一关键词位置进行标识,第一关键词包括关键功能的描述和预期结果,包括:
S301、使用DXM模型中的实体抽取模型,对第一知识图谱中的文本进行实体抽取;
S302、根据第一关键词在第一知识图谱中的关系位置,对其进行标识,关系位置为第一关键词在知识图谱中的相对位置,包括节点的顺序和嵌套关系;
根据提取的第一关键词和第一关键词在第一知识图谱中的位置标识,构建第一关系矩阵,包括:
S401、定义一个空的第一关系矩阵,矩阵的行表示第一关键词,列表示第一知识图谱中的位置标识;
S402、遍历第一关键词列表,对于每个第一关键词,搜索第一关键词在第一知识图谱中的位置标识;
S403、将第一关键词和位置标识填入第一关系矩阵中的相应位置;
S404、重复以上步骤,直到遍历完所有的第一关键词;
利用分词工具将测试数据进行拆分,得到第二关键词,使用语义相似度算法计算与第一关键词的相似度,若计算的相似度高于预设的阈值,则将第二关键词对应的测试数据加入与第一关键词对应的第一关系矩阵中,从而形成第二关系矩阵,包括:
S501、使用分词工具对测试数据进行拆分,将文本划分为第二关键词的序列;
S502、对于每个第二关键词,通过语义相似度算法计算第二关键词与第一关键词的语义相似度;
S503、将计算得到的相似度与预设的阈值进行比较,如果相似度高于预设的阈值,将第二关键词对应的测试数据添加到与第一关键词对应的第一关系矩阵中;
S504、将第二关键词作为第一关系矩阵新的行,将测试数据作为新的列,将相应位置标记为1,表示第二关键词与测试数据相关,从而形成第二关系矩阵;
根据形成的第二关系矩阵,构建第二知识图谱,且基于构建的第二知识图谱,建立相应的第一测试用例,包括:
S601、根据第二关系矩阵,构建第二知识图谱,遍历第二关系矩阵中的每一行,对于值为1的测试数据,将其与对应的第二关键词连接起来构成图谱的边;
S602、根据第二知识图谱,建立相应的第一测试用例,选择一个第一关键词作为起始点;
S603、从起始点开始进行深度优先搜索遍历第二知识图谱,在遍历过程中,记录经过的节点和边,形成一条测试用例路径;
S604、根据测试用例路径,提取其中的测试数据和对应的第二关键词,将测试数据和第二关键词组合,构成第一测试用例;
S605、直到遍历完整个第二知识图谱,得到所有的第一测试用例后,停止遍历;
接收用户对第一测试用例的审核结果,判断是否符合要求,如果符合要求,则在第二知识图谱中推荐第一测试用例,如果不符合要求,则根据用户需求修改第一测试用例形成第二测试用例,在第二知识图谱中用第二测试用例替代相应的第一测试用例,在第二知识图谱中推荐第二测试用例,包括:
S701、接收用户对第一测试用例的审核结果,根据用户的审核结果,判断测试用例是否符合要求;
S702、如果符合要求,在第二知识图谱中推荐测试用例;
S703、如果不符合要求,则根据用户需求修改第一测试用例形成第二测试用例,且将第一测试用例从第二知识图谱中移除,并将修改后的第二测试用例添加到相应的位置;
S704、根据用户反馈,重复进行以上操作,直到满足测试用例需求;
第二关键词包括测试数据的各方拆分片段。
需要说明的是,在本文中,诸如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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.基于DXM模型的SaaS软件测试用例构建方法,其特征在于,包括:
S1、根据测试的SaaS软件功能结构和关键业务流程,确定测试目标;
S2、根据测试目标和SaaS软件的功能结构,构建第一知识图谱,通过第一知识图谱构建关键功能的描述和预期结果的实体节点之间的关系;
S3、通过DXM模型中的实体抽取模型从第一知识图谱中提取第一关键词,且根据第一关键词在第一知识图谱中的关系位置,对第一关键词位置进行标识,第一关键词包括关键功能的描述和预期结果;
S4、根据提取的第一关键词和第一关键词在第一知识图谱中的位置标识,构建第一关系矩阵;
S5、利用分词工具将测试数据进行拆分,得到第二关键词,使用语义相似度算法计算与第一关键词的相似度,若计算的相似度高于预设的阈值,则将第二关键词对应的测试数据加入与第一关键词对应的第一关系矩阵中,从而形成第二关系矩阵;
S6、根据形成的第二关系矩阵,构建第二知识图谱,且基于构建的第二知识图谱,建立相应的第一测试用例;
S7、接收用户对第一测试用例的审核结果,判断是否符合要求,如果符合要求,则在第二知识图谱中推荐第一测试用例,如果不符合要求,则根据用户需求修改第一测试用例形成第二测试用例,在第二知识图谱中用第二测试用例替代相应的第一测试用例,在第二知识图谱中推荐第二测试用例。
2.根据权利要求1所述的基于DXM模型的SaaS软件测试用例构建方法,其特征在于:所述根据测试目标和SaaS软件的功能结构,构建第一知识图谱,通过第一知识图谱构建关键功能的描述和预期结果的实体节点之间的关系,包括:
根据测试目标,构建第一知识图谱,用于描述关键功能和预期结果之间的关系,第一知识图谱采用图结构表示,其中节点表示实体,边表示实体之间的关系;
根据功能结构和预期结果,确定关键功能的描述和预期结果,并将关键功能的描述和预期结果作为实体节点添加到第一知识图谱中;
根据功能结构和预期结果,确定实体节点之间的关联关系。
3.根据权利要求2所述的基于DXM模型的SaaS软件测试用例构建方法,其特征在于:所述通过DXM模型中的实体抽取模型从第一知识图谱中提取第一关键词,且根据第一关键词在第一知识图谱中的关系位置,对第一关键词位置进行标识,第一关键词包括关键功能的描述和预期结果,包括:
使用DXM模型中的实体抽取模型,对第一知识图谱中的文本进行实体抽取;
根据第一关键词在第一知识图谱中的关系位置,对其进行标识,关系位置为第一关键词在知识图谱中的相对位置,包括节点的顺序和嵌套关系。
4.根据权利要求3所述的基于DXM模型的SaaS软件测试用例构建方法,其特征在于:所述根据提取的第一关键词和第一关键词在第一知识图谱中的位置标识,构建第一关系矩阵,包括:
定义一个空的第一关系矩阵,矩阵的行表示第一关键词,列表示第一知识图谱中的位置标识;
遍历第一关键词列表,对于每个第一关键词,搜索第一关键词在第一知识图谱中的位置标识;
将第一关键词和位置标识填入第一关系矩阵中的相应位置;
重复以上步骤,直到遍历完所有的第一关键词。
5.根据权利要求4所述的基于DXM模型的SaaS软件测试用例构建方法,其特征在于:所述利用分词工具将测试数据进行拆分,得到第二关键词,使用语义相似度算法计算与第一关键词的相似度,若计算的相似度高于预设的阈值,则将第二关键词对应的测试数据加入与第一关键词对应的第一关系矩阵中,从而形成第二关系矩阵,包括:
使用分词工具对测试数据进行拆分,将文本划分为第二关键词的序列;
对于每个第二关键词,通过语义相似度算法计算第二关键词与第一关键词的语义相似度;
将计算得到的相似度与预设的阈值进行比较,如果相似度高于预设的阈值,将第二关键词对应的测试数据添加到与第一关键词对应的第一关系矩阵中;
将第二关键词作为第一关系矩阵新的行,将测试数据作为新的列,将相应位置标记为1,表示第二关键词与测试数据相关,从而形成第二关系矩阵。
6.根据权利要求5所述的基于DXM模型的SaaS软件测试用例构建方法,其特征在于:所述根据形成的第二关系矩阵,构建第二知识图谱,且基于构建的第二知识图谱,建立相应的第一测试用例,包括:
根据第二关系矩阵,构建第二知识图谱,遍历第二关系矩阵中的每一行,对于值为1的测试数据,将其与对应的第二关键词连接起来构成图谱的边;
根据第二知识图谱,建立相应的第一测试用例,选择一个第一关键词作为起始点;
从起始点开始进行深度优先搜索遍历第二知识图谱,在遍历过程中,记录经过的节点和边,形成一条测试用例路径;
根据测试用例路径,提取其中的测试数据和对应的第二关键词,将测试数据和第二关键词组合,构成第一测试用例;
直到遍历完整个第二知识图谱,得到所有的第一测试用例后,停止遍历。
7.根据权利要求6所述的基于DXM模型的SaaS软件测试用例构建方法,其特征在于:所述接收用户对第一测试用例的审核结果,判断是否符合要求,如果符合要求,则在第二知识图谱中推荐第一测试用例,如果不符合要求,则根据用户需求修改第一测试用例形成第二测试用例,在第二知识图谱中用第二测试用例替代相应的第一测试用例,在第二知识图谱中推荐第二测试用例,包括:
接收用户对第一测试用例的审核结果,根据用户的审核结果,判断测试用例是否符合要求;
如果符合要求,在第二知识图谱中推荐测试用例;
如果不符合要求,则根据用户需求修改第一测试用例形成第二测试用例,且将第一测试用例从第二知识图谱中移除,并将修改后的第二测试用例添加到相应的位置;
根据用户反馈,重复进行以上操作,直到满足测试用例需求。
8.根据权利要求5所述的基于DXM模型的SaaS软件测试用例构建方法,其特征在于:所述第二关键词包括测试数据的各方拆分片段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311787373.3A CN117453576B (zh) | 2023-12-25 | 2023-12-25 | 基于DXM模型的SaaS软件测试用例构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311787373.3A CN117453576B (zh) | 2023-12-25 | 2023-12-25 | 基于DXM模型的SaaS软件测试用例构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117453576A true CN117453576A (zh) | 2024-01-26 |
CN117453576B CN117453576B (zh) | 2024-04-09 |
Family
ID=89595202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311787373.3A Active CN117453576B (zh) | 2023-12-25 | 2023-12-25 | 基于DXM模型的SaaS软件测试用例构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117453576B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003233316A1 (en) * | 2002-05-11 | 2003-11-11 | Accenture Global Services Limited | Automated software testing system and method |
US20160179659A1 (en) * | 2014-12-17 | 2016-06-23 | International Business Machines Corporation | Techniques for automatically generating testcases |
JP2016115175A (ja) * | 2014-12-16 | 2016-06-23 | 株式会社東芝 | ソフトウェアテスト装置およびソフトウェアテストプログラム |
US20160217062A1 (en) * | 2015-01-23 | 2016-07-28 | Accenture Global Services Limited | Test case generation system |
US9495642B1 (en) * | 2015-07-07 | 2016-11-15 | International Business Machines Corporation | Predictive model scoring to optimize test case order in real time |
US20170024310A1 (en) * | 2015-07-21 | 2017-01-26 | International Business Machines Corporation | Proactive Cognitive Analysis for Inferring Test Case Dependencies |
US20180024914A1 (en) * | 2016-07-20 | 2018-01-25 | International Business Machines Corporation | Generating test scripts for testing a network-based application |
CN107832229A (zh) * | 2017-12-03 | 2018-03-23 | 中国直升机设计研究所 | 一种基于nlp的系统测试用例自动生成方法 |
US20190079754A1 (en) * | 2017-09-08 | 2019-03-14 | Devfactory Fz-Llc | Automating Identification of Code Snippets for Library Suggestion Models |
CN111475410A (zh) * | 2020-03-31 | 2020-07-31 | 北京经纬恒润科技有限公司 | 一种测试用例生成方法及装置 |
CN111930623A (zh) * | 2020-08-10 | 2020-11-13 | 中国工商银行股份有限公司 | 一种测试案例构建方法、装置及电子设备 |
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 |
WO2021253904A1 (zh) * | 2020-06-18 | 2021-12-23 | 深圳前海微众银行股份有限公司 | 测试案例集生成方法、装置、设备及计算机可读存储介质 |
CN113900954A (zh) * | 2021-10-28 | 2022-01-07 | 航天中认软件测评科技(北京)有限责任公司 | 一种使用知识图谱的测试用例推荐方法及装置 |
CN115422372A (zh) * | 2022-09-01 | 2022-12-02 | 中国人民解放军国防科技大学 | 一种基于软件测试的知识图谱构建方法和系统 |
WO2023274047A1 (zh) * | 2021-06-30 | 2023-01-05 | 中国电子技术标准化研究院 | 标准知识图谱构建、标准查询方法及装置 |
CN115827421A (zh) * | 2022-08-31 | 2023-03-21 | 中国银行股份有限公司 | 基于知识图谱的测试方法及装置 |
US20230222090A1 (en) * | 2022-01-10 | 2023-07-13 | Dell Products L.P. | Test adaption and distribution according to customer knowledge base |
CN116467171A (zh) * | 2023-03-14 | 2023-07-21 | 海宁奕斯伟集成电路设计有限公司 | 自动化测试用例构建装置、方法、电子设备及存储介质 |
CN116775497A (zh) * | 2023-08-17 | 2023-09-19 | 北京遥感设备研究所 | 数据库测试用例生成需求描述编码方法 |
CN117252261A (zh) * | 2023-09-25 | 2023-12-19 | 深圳前海微众银行股份有限公司 | 知识图谱的构建方法、电子设备及存储介质 |
-
2023
- 2023-12-25 CN CN202311787373.3A patent/CN117453576B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003233316A1 (en) * | 2002-05-11 | 2003-11-11 | Accenture Global Services Limited | Automated software testing system and method |
JP2016115175A (ja) * | 2014-12-16 | 2016-06-23 | 株式会社東芝 | ソフトウェアテスト装置およびソフトウェアテストプログラム |
US20160179659A1 (en) * | 2014-12-17 | 2016-06-23 | International Business Machines Corporation | Techniques for automatically generating testcases |
US20160217062A1 (en) * | 2015-01-23 | 2016-07-28 | Accenture Global Services Limited | Test case generation system |
US9495642B1 (en) * | 2015-07-07 | 2016-11-15 | International Business Machines Corporation | Predictive model scoring to optimize test case order in real time |
US20170024310A1 (en) * | 2015-07-21 | 2017-01-26 | International Business Machines Corporation | Proactive Cognitive Analysis for Inferring Test Case Dependencies |
US20180024914A1 (en) * | 2016-07-20 | 2018-01-25 | International Business Machines Corporation | Generating test scripts for testing a network-based application |
US20190079754A1 (en) * | 2017-09-08 | 2019-03-14 | Devfactory Fz-Llc | Automating Identification of Code Snippets for Library Suggestion Models |
CN107832229A (zh) * | 2017-12-03 | 2018-03-23 | 中国直升机设计研究所 | 一种基于nlp的系统测试用例自动生成方法 |
CN111475410A (zh) * | 2020-03-31 | 2020-07-31 | 北京经纬恒润科技有限公司 | 一种测试用例生成方法及装置 |
WO2021253904A1 (zh) * | 2020-06-18 | 2021-12-23 | 深圳前海微众银行股份有限公司 | 测试案例集生成方法、装置、设备及计算机可读存储介质 |
CN111930623A (zh) * | 2020-08-10 | 2020-11-13 | 中国工商银行股份有限公司 | 一种测试案例构建方法、装置及电子设备 |
WO2023274047A1 (zh) * | 2021-06-30 | 2023-01-05 | 中国电子技术标准化研究院 | 标准知识图谱构建、标准查询方法及装置 |
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 |
CN113900954A (zh) * | 2021-10-28 | 2022-01-07 | 航天中认软件测评科技(北京)有限责任公司 | 一种使用知识图谱的测试用例推荐方法及装置 |
US20230222090A1 (en) * | 2022-01-10 | 2023-07-13 | Dell Products L.P. | Test adaption and distribution according to customer knowledge base |
CN115827421A (zh) * | 2022-08-31 | 2023-03-21 | 中国银行股份有限公司 | 基于知识图谱的测试方法及装置 |
CN115422372A (zh) * | 2022-09-01 | 2022-12-02 | 中国人民解放军国防科技大学 | 一种基于软件测试的知识图谱构建方法和系统 |
CN116467171A (zh) * | 2023-03-14 | 2023-07-21 | 海宁奕斯伟集成电路设计有限公司 | 自动化测试用例构建装置、方法、电子设备及存储介质 |
CN116775497A (zh) * | 2023-08-17 | 2023-09-19 | 北京遥感设备研究所 | 数据库测试用例生成需求描述编码方法 |
CN117252261A (zh) * | 2023-09-25 | 2023-12-19 | 深圳前海微众银行股份有限公司 | 知识图谱的构建方法、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
ANMOL NAYAK等: "Knowledge Graph based Automated Generation of Test Case in Software Engineering", CODS COMAD 2020:PROCEEDINGS OF THE 7TH ACM IKDD CODS AND 25TH COMAD, 15 January 2020 (2020-01-15), pages 289 - 295 * |
WANSHENG YANG等: "Test Case Reuse Based on Software Testing Knowledge Graph and Collaborative Filtering Recommendation Algorithm", 2021 IEEE 21ST INTERNATIONAL CONFERENCE ON SOFTWARE QUALITY, 1 April 2022 (2022-04-01), pages 67 - 76 * |
陈磊: "基于知识图谱的测试用例方法", 网络安全技术与应用, vol. 10, no. 2023, 12 October 2023 (2023-10-12), pages 43 - 45 * |
Also Published As
Publication number | Publication date |
---|---|
CN117453576B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889556B (zh) | 一种企业经营风险特征数据信息提取方法和提取系统 | |
US11604797B2 (en) | Inferring joins for data sets | |
CN110019616B (zh) | 一种poi现势状态获取方法及其设备、存储介质、服务器 | |
CN102722709B (zh) | 一种垃圾图片识别方法和装置 | |
CN112463976B (zh) | 一种以群智感知任务为中心的知识图谱构建方法 | |
Hariharakrishnan et al. | Survey of pre-processing techniques for mining big data | |
CN110532381A (zh) | 一种文本向量获取方法、装置、计算机设备及存储介质 | |
CN109376222A (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
CN113254507B (zh) | 一种数据资产目录智能构建盘点方法 | |
WO2016200667A1 (en) | Identifying relationships using information extracted from documents | |
CN105512347A (zh) | 一种基于地理主题模型的信息处理方法 | |
CN113760891B (zh) | 一种数据表的生成方法、装置、设备和存储介质 | |
CN110647995A (zh) | 规则训练方法、装置、设备及存储介质 | |
CN111078835A (zh) | 简历评估方法、装置、计算机设备及存储介质 | |
US20220121823A1 (en) | System and method for artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations | |
CN111291187A (zh) | 一种情感分析方法、装置、电子设备及存储介质 | |
CN110737779A (zh) | 知识图谱的构建方法、装置、存储介质和电子设备 | |
CN114398466A (zh) | 基于语义识别的投诉分析方法、装置、计算机设备及介质 | |
CN106600053B (zh) | 一种基于时空轨迹和社会网络的用户属性预测系统 | |
CN117453576B (zh) | 基于DXM模型的SaaS软件测试用例构建方法 | |
CN111723302A (zh) | 一种基于协同双模型深度表示学习的推荐方法 | |
US10824606B1 (en) | Standardizing values of a dataset | |
Wang | Construction of Alumni Information Analysis Model Based on Big Data | |
CN111897884B (zh) | 数据关系信息显示方法、终端设备 | |
CN112328653B (zh) | 数据识别方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |