CN117472717A - 一种软件质量确定方法、装置、电子设备及存储介质 - Google Patents
一种软件质量确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117472717A CN117472717A CN202311507309.5A CN202311507309A CN117472717A CN 117472717 A CN117472717 A CN 117472717A CN 202311507309 A CN202311507309 A CN 202311507309A CN 117472717 A CN117472717 A CN 117472717A
- Authority
- CN
- China
- Prior art keywords
- experience
- index
- determining
- data
- weight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000014759 maintenance of location Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 230000003442 weekly effect Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013102 re-test Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer 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
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种软件质量确定方法、装置、电子设备及存储介质，涉及数据处理及大数据领域，该方法包括：获取当前体验数据和历史体验数据，并基于当前体验数据确定多个体验指标；针对每个体验指标，确定体验指标的权重；基于当前体验数据确定体验指标的实际值，并基于历史体验数据确定体验指标的预测值；基于体验指标的预测值、实际值和权重确定体验指标的目标分数。解决目前软件质量无法准确确定，且不够直观的问题。
Description
技术领域
本申请涉及数据处理及大数据领域，尤其涉及一种软件质量确定方法、装置、电子设备及存储介质。
背景技术
互联网软件行业发展至今，同一领域的软件产品在业务主流程上的差异通常不大。例如，在银行应用产品中，大部分工具化场景如转账、基金理财产品购买、信用卡申请等业务功能均较为相似。再例如，在外卖应用产品中，大部分场景如购买、活动页面等业务功能也均较为相似。用户体验的提升成了目前各个公司追求的核心目标。而用户体验提升的核心难点在于如何准确确定软件质量，且直观的进行体现，并分析业务问题，从而辅助业务提升策略的制定。
发明内容
本申请提供了一种软件质量确定方法、装置、电子设备及存储介质。
根据本申请的第一方面，提供了一种软件质量确定方法，所述方法包括：
获取当前体验数据和历史体验数据，并基于所述当前体验数据确定多个体验指标；
针对每个体验指标，确定所述体验指标的权重；
基于所述当前体验数据确定所述体验指标的实际值，并基于所述历史体验数据确定所述体验指标的预测值；
基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数。
其中，所述基于所述当前体验数据确定多个体验指标，包括：
基于预设指标模型确定至少一个体验维度，所述体验维度用于表征体验指标的类型；
基于所述至少一个体验维度对当前体验数据进行筛选和分类，得到所述多个体验指标。
其中，所述确定所述体验指标的权重，包括：
获取所述体验维度的预设矩阵，所述预设矩阵包含对应体验维度中不同体验指标之间的关联性；
对所述预设矩阵进行检验；
若存在检验未通过的预设矩阵，则重新设置所述检验未通过的预设矩阵并重新检验；
若所有预设矩阵均检验通过，则基于所述预设矩阵确定对应体验维度中每个体验指标的权重。
其中，所述基于所述历史体验数据确定所述体验指标的预测值，包括：
基于所述历史体验数据对所述体验指标进行曲线拟合，得到所述体验指标的拟合函数；
基于所述体验指标的拟合函数和当前时间确定所述体验指标的预测值。
其中，所述基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数，包括：
基于所述体验指标的预测值和实际值确定所述体验指标的偏差比例；
基于所述体验指标的偏差比例和权重确定所述体验指标的目标分数。
其中，所述基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数，包括：
确定所述体验维度的权重，并基于所述权重确定所述体验维度的基准分；
基于所述体验指标的预测值和实际值确定所述体验指标的偏差比例；
基于所述体验指标的偏差比例、权重和所述体验指标所属体验维度的基准分确定所述体验指标的目标分数。
根据本申请的第二方面，提供了一种软件质量确定装置，所述装置包括：
采集模块，用于获取当前体验数据和历史体验数据，并基于所述当前体验数据确定多个体验指标；
计算模块，用于针对每个体验指标，确定所述体验指标的权重；
所述计算模块，还用于基于所述当前体验数据确定所述体验指标的实际值，并基于所述历史体验数据确定所述体验指标的预测值；
所述计算模块，还用于基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数。
其中，所述计算模块，还用于基于预设指标模型确定至少一个体验维度，所述体验维度用于表征体验指标的类型；
所述计算模块，还用于基于所述至少一个体验维度对当前体验数据进行筛选和分类，得到所述多个体验指标。
根据本申请的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请所述的方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请所述的方法。
在上述的方案中，基于软件的体验数据确定出的多个体验指标，能够结合业务准确表征用户的使用体验，而用户的使用体验能够准确表征软件的质量。因此，通过确定体验指标的权重，基于当前体验数据确定体验指标的实际值，基于历史体验数据确定体验指标的预测值。最后基于体验指标的权重、实际值和预测值确定相应的目标分数，能够准确的确定出软件质量，进而基于目标分数确定软件中的问题，以进一步提高软件质量。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本申请实施例软件质量确定方法的实现流程示意图一；
图2示出了本申请实施例软件质量确定方法的实现流程示意图二；
图3示出了本申请实施例软件质量确定方法的实现流程示意图三；
图4示出了本申请实施例软件质量确定方法的实现流程示意图四；
图5示出了本申请实施例软件质量确定方法的实现流程示意图五；
图6示出了本申请实施例软件质量确定方法的实现流程示意图六；
图7示出了本申请实施例软件质量确定装置的结构示意图；
图8示出了本申请实施例一种电子设备的组成结构示意图。
具体实施方式
为使本申请的目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
为了确定出准确的体验指标，并确定相应的直观的体验效果，实现对软件体验的准确检测，本申请一实施例提供了一种软件质量确定方法，如图1所示，该方法包括：
步骤101，获取当前体验数据和历史体验数据，并基于所述当前体验数据确定多个体验指标。
体验数据为筛选出的数据，包括用户数据(用户的各类满意度数据、问卷数据等)、埋点数据(用户的行为数据、操作数据等)。
从当前体验数据中确定出多个体验指标。
例如，在某个基金类软件中收集了当前体验数据，基于当前体验数据确定多个体验指标，多个体验指标如表1所示，体验指标包括：满意度评分(用户对软件的满意度进行打分后得到的评分)、净推荐值(NPS值，表征用户向他人推荐软件的意愿)、反馈模块问题占比(反馈模块中，问题类型的反馈数量在总反馈数量中的占比)、持仓用户基金收益分享占比(向他人分享基金收益的持仓用户在总持仓用户中的占比)、财富号内容分享占比(向他人分享财富号内容的用户在总用户中的占比)、通过分享链接进入产品的用户数(通过他人分享的链接进入软件的用户数量)、页面加载时长、接口调用速度和懒加载覆盖率。
| 体验指标 |
| 满意度评分 |
| 净推荐值 |
| 反馈模块问题占比 |
| 持仓用户基金收益分享占比 |
| 财富号内容分享占比 |
| 通过分享链接进入产品的用户数 |
| 页面加载时长 |
| 接口调用速度 |
| 懒加载覆盖率 |
表1
再例如，在某个外卖类软件中收集了当前体验数据，基于当前体验数据确定多个体验指标，多个体验指标如表2所示，体验指标包括：商家满意度评分(用户对商家的满意度进行打分后得到的评分)、骑手满意度评分(用户对骑手的满意度进行打分后得到的评分)、用户日平均下单量(用户近一个月内平均每天的下单量)、用户周平均下单量(用户近一个月内平均每周的下单量)、页面加载时长、接口调用速度和懒加载覆盖率。
| 体验指标 |
| 商家满意度评分 |
| 骑手满意度评分 |
| 用户日平均下单量 |
| 用户周平均下单量 |
| 页面加载时长 |
| 接口调用速度 |
| 懒加载覆盖率 |
表2
步骤102，针对每个体验指标，确定所述体验指标的权重。
确定每个体验指标的权重，所有体验指标的权重总和为1。
例如，如表3所示，表3示出了某个基金类应用中的多个体验指标的权重，满意度评分的权重为0.09，净推荐值的权重为0.19，反馈模块问题占比的权重为0.20，持仓用户基金收益分享占比的权重为0.09，财富号内容分享占比的权重为0.09，通过分享链接进入产品的用户数的权重为0.16，页面加载时长的权重为0.06，接口调用速度的权重为0.06，懒加载覆盖率的权重为0.06。
| 体验指标 | 权重 |
| 满意度评分 | 0.09 |
| 净推荐值 | 0.19 |
| 反馈模块问题占比 | 0.20 |
| 持仓用户基金收益分享占比 | 0.09 |
| 财富号内容分享占比 | 0.09 |
| 通过分享链接进入产品的用户数 | 0.16 |
| 页面加载时长 | 0.06 |
| 接口调用速度 | 0.06 |
| 懒加载覆盖率 | 0.06 |
表3
再例如，如表4所示，表4示出了某个外卖类应用中的多个体验指标的权重，商家满意度评分的权重为0.20，骑手满意度评分的权重为0.15，用户日平均下单量的权重为0.15，用户周平均下单量的权重为0.15，页面加载时长的权重为0.15，接口调用速度的权重为0.1，懒加载覆盖率的权重为0.1。
| 体验指标 | 权重 |
| 商家满意度评分 | 0.20 |
| 骑手满意度评分 | 0.15 |
| 用户日平均下单量 | 0.15 |
| 用户周平均下单量 | 0.15 |
| 页面加载时长 | 0.15 |
| 接口调用速度 | 0.10 |
| 懒加载覆盖率 | 0.10 |
表4
在本实施例中，有三种方法确定体验指标的权重：
第一种，标注。对多个体验指标进行分析和评估，基于分析和评估的结果对体验指标的权重进行标注。
第二种，机器学习模型。利用机器学习模型，如回归分析或决策树，来建立体验指标与用户体验得分之间的关联，并通过关联关系确定每个体验指标的权重。
第三种，层次分析法。利用层次分析法确定每个体验指标的权重。
步骤103，基于所述当前体验数据确定所述体验指标的实际值，并基于所述历史体验数据确定所述体验指标的预测值。
从当前体验数据中提取出每个体验指标的实际值，基于历史体验数据确定每个体验指标的预测值。
在本实施例中，有两种方法基于历史体验数据确定体验指标的预测值：
第一种，利用预测模型。训练预测模型(如自回归积分滑动平均模型(ARIMA模型)、长短时记忆网络(LSTM网络)或卷积神经网络(CNN)等)，然后将历史体验数据输入预测模型进行预测，得到体验指标的预测值。
第二种，利用拟合函数。基于历史体验数据进行曲线拟合，得到体验指标的拟合函数，代入需要预测的时间点，确定得到体验指标的预测值。
步骤104，基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数。
在上述的方案中，基于软件的体验数据确定出的多个体验指标，能够结合业务准确表征用户的使用体验，而用户的使用体验能够准确表征软件的质量。因此，通过确定体验指标的权重，基于当前体验数据确定体验指标的实际值，基于历史体验数据确定体验指标的预测值。最后基于体验指标的权重、实际值和预测值确定相应的目标分数，能够准确的确定出软件质量，进而基于目标分数确定软件中的问题，以进一步提高软件质量。
在本申请一示例中还提供了一种软件质量确定方法，如图2所示，所述基于所述当前体验数据确定多个体验指标，包括：
步骤201，基于预设指标模型确定至少一个体验维度，所述体验维度用于表征体验指标的类型。
预先设置指标模型，如Heart模型(一种指标模型)或PETCH模型(一种指标模型)等。
例如，预设指标模型选用Heart模型，基于Heart模型确定5个体验维度，分别为愉悦度、参与度、接受度、留存度和完成度，体验维度用于表征体验指标的类型。
步骤202，基于所述至少一个体验维度对当前体验数据进行筛选和分类，得到所述多个体验指标。
例如，如表5所示，表5基于Heart模型确定了5个体验维度，并基于体验维度对某基金类软件的当前体验数据进行筛选和分类，得到如表5所示的多个体验维度，和每个体验维度的多个体验指标。其中，愉悦度体验维度包含满意度评分、净推荐值、页面加载时长、接口调用速度和懒加载覆盖率。参与度体验维度包含日均活跃用户数(某个时段内每日平均的活跃用户数量)、七日活跃用户数(七天内的活跃用户数量)、核心功能执行次数(某个时段内核心功能的执行次数)和日均活跃时长(某个时段内每日平均的用户活跃时长)。接收度体验维度包含月新增用户数(本月新增的用户数量)、新用户的次日留存率(第二天继续使用软件的新用户数量在总新用户数量中的占比)和新用户的七日留存率(七天后继续使用软件的新用户数量在总新用户数量中的占比)。留存度体验维度包含老用户的次日留存率(第二天继续使用软件的老用户数量在总老用户数量中的占比)、老用户的七日留存率(七天后继续使用软件的老用户数量在总老用户数量中的占比)和老用户的三十日留存率(三十天后继续使用软件的老用户数量在总老用户数量中的占比)。完成度体验维度包含购买成功转化率(产生购买行为的用户数量在到达购买页面的用户数量中的占比)、购买跳出率(到达购买页面但未产生购买行为的用户数量在到达购买页面的用户数量中的占比)、购买完成人数(产生购买行为的用户数量)和赎回跳出率(到达赎回页面但未产生赎回行为的用户数量在到达赎回页面的用户数量中的占比)。
表5
再例如，如表6所示，表6基于Heart模型确定了5个体验维度，并基于体验维度对某外卖类软件的当前体验数据进行筛选和分类，得到如表6所示的多个体验维度，和每个体验维度的多个体验指标。其中，愉悦度体验维度包含商家满意度评分、骑手满意度评分、页面加载时长、接口调用速度和懒加载覆盖率。参与度体验维度包含用户日平均下单量和用户周平均下单量。接收度体验维度包含月新增用户数、新用户的次日留存率和新用户的七日留存率。留存度体验维度包含老用户的次日留存率、老用户的七日留存率和老用户的三十日留存率。完成度体验维度包含下单成功转化率(产生下单行为的用户数量在到达下单页面的用户数量中的占比)、下单跳出率(到达下单页面但未产生下单行为的用户数量在到达下单页面的用户数量中的占比)和下单完成人数(产生下单行为的用户数量)。
表6
由于指标模型能够从宏观的角度(即体验维度)来有效地衡量用户的使用体验，但也由于只从宏观的角度来衡量，难以结合实际业务衡量用户的使用体验。
因此，在上述的方案中，基于预设指标模型来确定体验维度，进而基于体验维度对当前体验数据进行筛选和分类，得到相应的多个体验指标。从而使得筛选出的体验指标更贴近业务，更能准确的表征用户的使用体验。并且体验指标经过体验维度的筛选后，同时也能从宏观的角度来有效地衡量用户的使用体验，进一步提高目标分数的准确性。
在本申请一示例中还提供了一种软件质量确定方法，如图3所示，所述确定所述体验指标的权重，包括：
步骤301，获取所述体验维度的预设矩阵，所述预设矩阵包含对应体验维度中不同体验指标之间的关联性。
预设矩阵中包含对应体验维度中不同体验指标之间的关联性。
在本实施例中，可预先对不同体验维度中体验指标之间的关联性进行标注，得到多个预设矩阵，或训练不同的机器学习模型来确定不同体验维度中体验指标之间的关联性，得到多个预设矩阵。
例如，如表7所示，表7示出了某基金类软件中体验维度为愉悦度对应的预设矩阵，其中，相同体验指标的关联性为1。不同体验指标之间的关联性可以表征前者相对于后者的重要程度(例如表7中第一排第三列的值0.5，表征满意度评分相对于页面加载时长的重要程度为0.5，即在体验指标中页面加载时长比满意度评分更重要)。
| 满意度评分 | 净推荐值 | 页面加载时长 | 懒加载覆盖率 | |
| 满意度评分 | 1 | 0.25 | 0.5 | 0.5 |
| 净推荐值 | 4 | 1 | 2 | 2 |
| 页面加载时长 | 2 | 0.5 | 1 | 0.5 |
| 懒加载覆盖率 | 2 | 0.5 | 2 | 1 |
表7
例如，如表8所示，表8示出了某外卖类软件中体验维度为愉悦度对应的预设矩阵，其中，相同体验指标的关联性为1。不同体验指标之间的关联性可以表征前者相对于后者的重要程度(例如表7中第一排第二列的值2，表征商家满意度评分相对于骑手满意度评分的重要程度为2，即在体验指标中商家满意度评分比骑手满意度评分更重要)。
表8
步骤302，对所述预设矩阵进行检验。
确定每个预设矩阵的一致性比率(CR)，若一致性比率小于阈值，则检验通过，否则检验未通过。其中，阈值可根据具体需求进行设置，如设置为0.1。
具体可基于以下公式确定预设矩阵的一致性比率CR：
其中，λmax(.)为求最大特征值，A为预设矩阵，n为预设矩阵中体验指标的数量，RI为平均随机一致性指标。
步骤303，若存在检验未通过的预设矩阵，则重新设置所述检验未通过的预设矩阵并重新检验。
如果有任意一个检验未通过的预设矩阵，则重新设置该预设矩阵(通过标注、机器学习模型或其他方式重新进行设置)，并重新进行检验，直到所有预设矩阵均检验通过。
步骤304，若所有预设矩阵均检验通过，则基于所述预设矩阵确定对应体验维度中每个体验指标的权重。
如果所有预设矩阵均检验通过，则基于预设矩阵确定对应体验维度中每个体验指标的权重。
确定预设矩阵中的最大特征值对应的特征向量，并对特征向量进行归一化，得到该预设矩阵对应体验维度中每个体验指标的权重。
例如，存在4个体验指标，分别为满意度评分、净推荐值、页面加载时长和懒加载覆盖率。基于所有预设矩阵，确定最大特征值对应的特征向量为(4，2，2，2)。再对特征向量进行归一化，归一化之后得到(0.4，0.2，0.2，0.2)，表征满意度评分的权重为0.4，净推荐值的权重为0.2，页面加载时长的权重为0.2，懒加载覆盖率的权重为0.2。
在上述的方案中，通过设置多个预设矩阵，并对每个预设矩阵进行检验，验证多个预设矩阵的一致性，当所有预设矩阵的一致性均通过，则说明所有预设矩阵都是有效的。因此，基于有效的预设矩阵确定每个体验指标的权重，能够显著提高权重的准确性，进而提高确定的目标分数的准确性。
在本申请一示例中还提供了一种软件质量确定方法，如图4所示，所述基于所述历史体验数据确定所述体验指标的预测值，包括：
步骤401，基于所述历史体验数据对所述体验指标进行曲线拟合，得到所述体验指标的拟合函数。
从历史体验数据中提取出每个体验指标在过去多个时间点的数据，基于这些数据进行曲线拟合，得到每个体验指标的拟合函数。
例如，对于某个体验指标，需要确定该体验指标在当月，也就是8月的预测值。则从历史体验数据中提取出该体验指标在5月、6月和7月的数据，基于这些数据进行曲线拟合，得到该体验指标的拟合函数。
步骤402，基于所述体验指标的拟合函数和当前时间确定所述体验指标的预测值。
将当前时间代入每个体验指标的拟合函数中，得到每个体验指标的预测值。
在上述的方案中，基于历史体验数据对体验指标进行曲线拟合，得到体验指标的拟合函数。拟合函数能够准确表征体验指标的周期波动和变化。因此，基于拟合函数能够确定体验指标准确的预测值，进而提高目标分数的准确性。
在本申请一示例中还提供了一种软件质量确定方法，如图5所示，所述基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数，包括：
步骤501，基于所述体验指标的预测值和实际值确定所述体验指标的偏差比例。
将体验指标的实际值除以预测值，得到体验指标的偏差比例。
步骤502，基于所述体验指标的偏差比例和权重确定所述体验指标的目标分数。
将总分乘以体验指标的偏差比例，再乘以体验指标的权重，得到体验指标的目标分数。
在本实施例中，总分设置为100，在其他实施方式中，总分可基于具体需求进行设置。
具体可基于以下公式确定体验指标的目标分数：
其中，Si为体验指标i的目标分数，St为设置的总分，Wi为体验指标i的权重，yi为体验指标i的实际值，为体验指标i的预测值。
产品方预期产品的体验数据需要随时间增长，即预期体验指标的实际值要大于等于预测值。但由于各种原因，实际值可能会小于预测值，因此，将实际值除以预测值得到的偏差比例能表征该体验指标实际情况与预期的偏差，进而将该偏差比例与总分和权重相乘，得到准确的目标分数。
在本申请一示例中还提供了一种软件质量确定方法，如图6所示，所述基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数，包括：
步骤601，确定所述体验维度的权重，并基于所述权重确定所述体验维度的基准分。
在一些实施例中，确定体验维度的权重与上述确定体验指标的权重的具体实现方式相同，可以通过标注、机器学习模型或层次分析法确定每个体验维度的权重。
步骤602，基于所述体验指标的预测值和实际值确定所述体验指标的偏差比例。
将体验指标的实际值除以预测值，得到体验指标的偏差比例。
步骤603，基于所述体验指标的偏差比例、权重和所述体验指标所属体验维度的基准分确定所述体验指标的目标分数。
将总分乘以体验指标所属体验维度的权重，得到该体验指标所属体验维度的基准分，将该体验指标所属体验维度的基准分乘以该体验指标的偏差比例，再乘以该体验指标的权重，得到该体验指标的目标分数。
在本实施例中，总分设置为100，在其他实施方式中，总分可基于具体需求进行设置。
具体可基于以下公式确定体验指标的目标分数：
其中，Si为体验指标i的目标分数，St为设置的总分，Wj为体验指标i所属的体验维度j，Wi为体验指标i的权重，yi为体验指标i的实际值，为体验指标i的预测值。
在上述的方案中，基于体验维度确定体验指标，则体验指标对应的目标分数也需要基于所属体验维度的权重进行加权(即将设定的总分乘以体验指标所属体验维度的权重，得到该体验指标所属体验维度的基准分，再基于基准分确定体验指标的目标分数)，进而得到准确的目标分数。
为了实现上述的软件质量确定方法，如图7所示，本申请一示例提供了一种软件质量确定装置，包括：
采集模块10，用于获取当前体验数据和历史体验数据，并基于所述当前体验数据确定多个体验指标；
计算模块20，用于针对每个体验指标，确定所述体验指标的权重；
所述计算模块20，还用于基于所述当前体验数据确定所述体验指标的实际值，并基于所述历史体验数据确定所述体验指标的预测值；
所述计算模块20，还用于基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数。
其中，所述计算模块20，还用于基于预设指标模型确定至少一个体验维度，所述体验维度用于表征体验指标的类型；
所述计算模块20，还用于基于所述至少一个体验维度对当前体验数据进行筛选和分类，得到所述多个体验指标。
其中，所述采集模块10，还用于获取所述体验维度的预设矩阵，所述预设矩阵包含对应体验维度中不同体验指标之间的关联性；
所述计算模块20，还用于对所述预设矩阵进行检验；
所述采集模块10，还用于若存在检验未通过的预设矩阵，则重新设置所述检验未通过的预设矩阵并重新检验；
所述计算模块20，还用于若所有预设矩阵均检验通过，则基于所述预设矩阵确定对应体验维度中每个体验指标的权重。
其中，所述计算模块20，还用于基于所述历史体验数据对所述体验指标进行曲线拟合，得到所述体验指标的拟合函数；
所述计算模块20，还用于基于所述体验指标的拟合函数和当前时间确定所述体验指标的预测值。
其中，所述计算模块20，还用于基于所述体验指标的预测值和实际值确定所述体验指标的偏差比例；
所述计算模块20，还用于基于所述体验指标的偏差比例和权重确定所述体验指标的目标分数。
其中，所述计算模块20，还用于确定所述体验维度的权重，并基于所述权重确定所述体验维度的基准分；
所述计算模块20，还用于基于所述体验指标的预测值和实际值确定所述体验指标的偏差比例；
所述计算模块20，还用于基于所述体验指标的偏差比例、权重和所述体验指标所属体验维度的基准分确定所述体验指标的目标分数。
根据本申请的实施例，本申请还提供了一种电子设备和一种计算机可读存储介质。
图8示出了可以用来实施本申请的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如软件质量确定方法。例如，在一些实施例中，软件质量确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的软件质量确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行软件质量确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上集成系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，计算机可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。计算机可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种软件质量确定方法，其特征在于，所述方法包括：
获取当前体验数据和历史体验数据，并基于所述当前体验数据确定多个体验指标；
针对每个体验指标，确定所述体验指标的权重；
基于所述当前体验数据确定所述体验指标的实际值，并基于所述历史体验数据确定所述体验指标的预测值；
基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数。
2.根据权利要求1所述的方法，其特征在于，所述基于所述当前体验数据确定多个体验指标，包括：
基于预设指标模型确定至少一个体验维度，所述体验维度用于表征体验指标的类型；
基于所述至少一个体验维度对当前体验数据进行筛选和分类，得到所述多个体验指标。
3.根据权利要求2所述的方法，其特征在于，所述确定所述体验指标的权重，包括：
获取所述体验维度的预设矩阵，所述预设矩阵包含对应体验维度中不同体验指标之间的关联性；
对所述预设矩阵进行检验；
若存在检验未通过的预设矩阵，则重新设置所述检验未通过的预设矩阵并重新检验；
若所有预设矩阵均检验通过，则基于所述预设矩阵确定对应体验维度中每个体验指标的权重。
4.根据权利要求1所述的方法，其特征在于，所述基于所述历史体验数据确定所述体验指标的预测值，包括：
基于所述历史体验数据对所述体验指标进行曲线拟合，得到所述体验指标的拟合函数；
基于所述体验指标的拟合函数和当前时间确定所述体验指标的预测值。
5.根据权利要求1所述的方法，其特征在于，所述基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数，包括：
基于所述体验指标的预测值和实际值确定所述体验指标的偏差比例；
基于所述体验指标的偏差比例和权重确定所述体验指标的目标分数。
6.根据权利要求2所述的方法，其特征在于，所述基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数，包括：
确定所述体验维度的权重，并基于所述权重确定所述体验维度的基准分；
基于所述体验指标的预测值和实际值确定所述体验指标的偏差比例；
基于所述体验指标的偏差比例、权重和所述体验指标所属体验维度的基准分确定所述体验指标的目标分数。
7.一种软件质量确定装置，其特征在于，所述装置包括：
采集模块，用于获取当前体验数据和历史体验数据，并基于所述当前体验数据确定多个体验指标；
计算模块，用于针对每个体验指标，确定所述体验指标的权重；
所述计算模块，还用于基于所述当前体验数据确定所述体验指标的实际值，并基于所述历史体验数据确定所述体验指标的预测值；
所述计算模块，还用于基于所述体验指标的预测值、实际值和权重确定所述体验指标的目标分数。
8.根据权利要求7所述的装置，其特征在于，包括：
所述计算模块，还用于基于预设指标模型确定至少一个体验维度，所述体验维度用于表征体验指标的类型；
所述计算模块，还用于基于所述至少一个体验维度对当前体验数据进行筛选和分类，得到所述多个体验指标。
9.一种电子设备，其特征在于，包括：
处理器、用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现权利要求1-6任一项所述的软件质量确定方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行权利要求1-6任一项所述的软件质量确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311507309.5A CN117472717A (zh) | 2023-11-13 | 2023-11-13 | 一种软件质量确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311507309.5A CN117472717A (zh) | 2023-11-13 | 2023-11-13 | 一种软件质量确定方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117472717A true CN117472717A (zh) | 2024-01-30 |
Family
ID=89625378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311507309.5A Pending CN117472717A (zh) | 2023-11-13 | 2023-11-13 | 一种软件质量确定方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117472717A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132485A (zh) * | 2020-09-30 | 2020-12-25 | 上海众源网络有限公司 | 一种指标数据处理方法、装置、电子设备及存储介质 |
| CN114422362A (zh) * | 2021-12-29 | 2022-04-29 | 中国电信股份有限公司 | 一种网络业务优化方法、装置及电子设备 |
| CN116151991A (zh) * | 2023-01-04 | 2023-05-23 | 中国建设银行股份有限公司 | 一种企业估值方法、装置、电子设备、存储介质及产品 |
| US11676183B1 (en) * | 2022-08-04 | 2023-06-13 | Wevo, Inc. | Translator-based scoring and benchmarking for user experience testing and design optimizations |
| CN116258566A (zh) * | 2023-03-17 | 2023-06-13 | 中国工商银行股份有限公司 | 产品功能监测方法、装置、设备及存储介质 |
-
2023
- 2023-11-13 CN CN202311507309.5A patent/CN117472717A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132485A (zh) * | 2020-09-30 | 2020-12-25 | 上海众源网络有限公司 | 一种指标数据处理方法、装置、电子设备及存储介质 |
| CN114422362A (zh) * | 2021-12-29 | 2022-04-29 | 中国电信股份有限公司 | 一种网络业务优化方法、装置及电子设备 |
| US11676183B1 (en) * | 2022-08-04 | 2023-06-13 | Wevo, Inc. | Translator-based scoring and benchmarking for user experience testing and design optimizations |
| CN116151991A (zh) * | 2023-01-04 | 2023-05-23 | 中国建设银行股份有限公司 | 一种企业估值方法、装置、电子设备、存储介质及产品 |
| CN116258566A (zh) * | 2023-03-17 | 2023-06-13 | 中国工商银行股份有限公司 | 产品功能监测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106095942B (zh) | 强变量提取方法及装置 | |
| CN113312578B (zh) | 一种数据指标的波动归因方法、装置、设备、及介质 | |
| EP3706017A1 (en) | System and method for determining reasons for anomalies using cross entropy ranking of textual items | |
| CN112396211B (zh) | 一种数据预测方法及装置、设备和计算机存储介质 | |
| CN111899093B (zh) | 一种违约损失率的预测方法及装置 | |
| CN115130887B (zh) | 水库大坝环境影响评价方法和装置、电子设备和存储介质 | |
| CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
| CN110888625A (zh) | 基于需求变更和项目风险对代码质量进行控制的方法 | |
| CN115545481A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
| CN114493208A (zh) | 工程项目全寿命周期的评价方法、装置、电子设备及介质 | |
| CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
| CN112365156A (zh) | 一种数据处理方法、数据处理装置、终端及存储介质 | |
| CN117172612A (zh) | 一种企业对象的评价方法和装置 | |
| CN117472717A (zh) | 一种软件质量确定方法、装置、电子设备及存储介质 | |
| CN115953235A (zh) | 风险指标统计方法及装置、存储介质及电子设备 | |
| CN115169671A (zh) | 企业违约预测方法、装置、电子设备和存储介质 | |
| CN115049429A (zh) | 增益预测方法、装置和计算机设备 | |
| CN114119107A (zh) | 一种钢贸企业交易测评方法、装置、设备及存储介质 | |
| CN111815204B (zh) | 风险评估方法、装置以及系统 | |
| Srivastava | Optimal software release using time and cost benefits via fuzzy multi-criteria and fault tolerance | |
| CN110570301A (zh) | 风险识别方法、装置、设备及介质 | |
| US20220308934A1 (en) | Prediction system, prediction method, and program | |
| CN117035846A (zh) | 信息预测方法、装置及相关设备 | |
| CN113743735A (zh) | 风险评分的生成方法及装置 | |
| CN112232893A (zh) | 一种信用的评估方法、装置及计算机系统 |
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 |