CN117573507A - 测试用例生成方法、装置、电子设备及存储介质 - Google Patents
测试用例生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117573507A CN117573507A CN202311319790.5A CN202311319790A CN117573507A CN 117573507 A CN117573507 A CN 117573507A CN 202311319790 A CN202311319790 A CN 202311319790A CN 117573507 A CN117573507 A CN 117573507A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- test
- type
- target
- case
- 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 185
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004044 response Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims 2
- 238000012163 sequencing technique Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 17
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000013522 software testing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation 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
- G06F11/3684—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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了测试用例生成方法、装置、电子设备及存储介质,涉及深度学习、大语言模型、自然语言处理以及知识管理等人工智能领域。其中的方法可包括:获取用户针对待生成的测试用例设置的测试需求描述信息;确定出所述待生成的测试用例的用例类型,作为目标类型;根据所述测试需求描述信息,利用大语言模型生成所述目标类型的测试用例。应用本公开所述方案,可节省人力和时间成本及提升处理效率等。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及深度学习、大语言模型、自然语言处理以及知识管理等领域的测试用例生成方法、装置、电子设备及存储介质。
背景技术
测试用例(Test Case)是软件测试过程中非常重要的一部分,它可以帮助验证软件是否符合用户的需求和预期,同时也可以帮助测试人员更好地掌握测试进度和测试结果等。
发明内容
本公开提供了测试用例生成方法、装置、电子设备及存储介质。
一种测试用例生成方法,包括:
获取用户针对待生成的测试用例设置的测试需求描述信息;
确定出所述待生成的测试用例的用例类型,作为目标类型;
根据所述测试需求描述信息,利用大语言模型生成所述目标类型的测试用例。
一种测试用例生成装置,包括:信息获取模块、类型确定模块以及用例生成模块;
所述信息获取模块,用于获取用户针对待生成的测试用例设置的测试需求描述信息;
所述类型确定模块,用于确定出所述待生成的测试用例的用例类型,作为目标类型;
所述用例生成模块,用于根据所述测试需求描述信息,利用大语言模型生成所述目标类型的测试用例。
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如以上所述的方法。
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计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现如以上所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开所述测试用例生成方法第一实施例的流程图;
图2为本公开所述测试用例生成方法第二实施例的流程图;
图3为本公开所述测试用例生成装置实施例300的组成结构示意图;
图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本公开所述测试用例生成方法第一实施例的流程图。如图1所示,包括以下具体实现方式。
在步骤101中,获取用户针对待生成的测试用例设置的测试需求描述信息。
在步骤102中,确定出所述待生成的测试用例的用例类型,作为目标类型。
在步骤103中,根据所述测试需求描述信息,利用大语言模型(LLM,LargeLanguage Model)生成所述目标类型的测试用例。
传统方式中,为了生成测试用例,通常需要借助于大量的人工操作,从而增大了人力和时间成本,而且效率低下,另外,人工操作很可能会出现错误或遗漏等,从而使得生成的测试用例的准确性难以保证。
而采用上述方法实施例所述方案,用户只需设置测试需求描述信息,后续即可利用大语言模型自动地生成所需用例类型的测试用例,从而节省了人力和时间成本,并提升了处理效率,使得用户可以将更多的时间投入到其它测试任务的处理中,而且,大语言模型是指利用深度学习技术构建出的强大自然语言处理系统,能够理解、生成和处理人类语言,并具备文本生成、翻译以及对话等各种功能,借助于大语言模型,可提升生成的测试用例的准确性等。
在实际应用中,当用户需要生成测试用例时,可进入“智能生成”页面,并可在其中的文本框中输入测试需求描述信息,通常来说,输入的测试需求描述信息需要符合场景明确、逻辑清晰等特点,以提升后续生成的测试用例的质量。
测试需求描述信息中具体包括哪些内容不作限制,可根据实际需要而定。比如,作为举例说明,其中可包括以下内容:增加算力卡计费功能,每个账户初始算力卡数为8,不同的执行资源消耗的算力卡数量不同,当算力卡小于0时,无法启动项目,在项目执行页,点击启动环境,增加环境类型的选择,包含如下环境可供选择:基础版(即每小时消耗0点算力卡)、DCU 16G(即每小时消耗1点算力卡)、V10016G(即每小时消耗2点算力卡)、V10032G(即每小时消耗4点算力卡),选定环境后,点击确定,项目开始启动。
在获取到测试需求描述信息后,还可确定出待生成的测试用例的用例类型,作为目标类型。
优选地,响应于获取到用户的选择请求,可将可供选择的用例类型展示给用户,并可将用户从所展示的用例类型中选定的用例类型作为目标类型,响应于未获取到用户的选择请求,可将默认的用例类型作为目标类型。
也就是说,用户可以自行设置待生成的测试用例的用例类型,或者,也可以直接使用默认的目标类型,具体采用哪种方式可根据实际需要而定,非常的灵活方便。
比如,当用户点击页面上的指定按钮后,可以下拉列表的形式展示出可供选择的各用例类型,供用户进行选择。
进一步地,可根据测试需求描述信息,利用大语言模型生成目标类型的测试用例。
优选地,响应于目标类型为第一类型,可生成仅包括摘要信息的测试用例,响应于目标类型为第二类型,可生成包括完整信息的测试用例,完整信息中包括摘要信息以及摘要信息之外的预定信息。
假设用户在下拉列表中选择了第一类型,那么第一类型即为目标类型,假设用户在下拉列表中选择了第二类型,那么第二类型即为目标类型,假设用户未进行选择,那么可将第二类型作为默认的目标类型。
若目标类型为第一类型,那么可生成仅包括摘要信息的测试用例,摘要信息中可包括测试用例的名称以及基本描述信息等,若目标类型为第二类型,那么可生成包括完整信息的测试用例,完整信息中可包括测试用例的名称、基本描述信息、测试步骤以及预期结果等。
可以看出,目标类型可理解为额外提供给大语言模型的一个指令,用于指示大语言模型生成何种用例类型的测试用例,即生成仅包括摘要信息的测试用例还是生成包括完整信息的测试用例,相应地,可使得用户获取到不同用例类型的测试用例,从而满足了用户的不同使用需求。
优选地,还可获取与测试需求描述信息相匹配的知识文本,作为目标知识,所述知识文本来自于预先构建的知识库,相应地,可根据测试需求描述信息以及所述目标知识,利用大语言模型生成目标类型的测试用例。
本公开所述方案中提供了知识管理(Knowledge Management)的功能,不同用户的职业生涯中会接触并学习到各种各样的技术,并会遇到各种各样的问题及解决方案等,这些知识点(知识文本)通常比较零碎,因此可借助于知识管理工具来进行管理,如可采用卡片盒笔记法(Zettelkasten)来进行记录,并可使用关系型数据库管理系统(MySQL)来存储和管理所有的知识文本,另外,可使用超文本标记语言(HTML,HyperText MarkupLanguage)、层叠样式表(CSS,Cascading Style Sheets)或网页开发框架(React)等技术来构建前端应用程序,从而为用户提供一个友好的界面,以便用户创建、编辑和使用知识文本等,另外还可允许用户为知识文本添加标签和/或将知识文本进行分类等。知识管理有助于在团队内部传承和分享技术知识,从而加速项目的开发进度、减少错误以及提升产品质量等。
各知识文本可组成知识库。本公开所述方案中,可从知识库中的各知识文本中确定出与测试需求描述信息相匹配的知识文本,作为目标知识,进而可结合测试需求描述信息以及目标知识,利用大语言模型生成目标类型的测试用例,从而进一步提升了生成的测试用例的准确性等。
优选地,可获取测试需求描述信息对应的向量表示,并可根据测试需求描述信息对应的向量表示以及知识库中的各知识文本对应的向量表示,从知识库中筛选出与测试需求描述信息相匹配的知识文本,进而可将筛选出的知识文本作为所需的目标知识。
如何获取测试需求描述信息对应的向量表示不作限制,比如,可利用向量嵌入(Vector Embedding)模型得到测试需求描述信息对应的向量表示。Vector Embedding模型可生成高维度的向量数据,不同维度分别代表着数据的不同特征。对于知识库中的各知识文本,可采用同样的方式分别得到对应的向量表示。
另外,在实际应用中,可预先即获取到各知识文本对应的向量表示,并可存储在向量数据库(Vector Database)中,这样,在获取到测试需求描述信息对应的向量表示后,可直接使用向量数据库中存储的各知识文本对应的向量表示,以提升处理效率等。
优选地,可分别获取测试需求描述信息对应的向量表示与知识库中的各知识文本对应的向量表示之间的相似度,并可将对应的相似度大于预定阈值的知识文本作为筛选出的知识文本,或者,可按照相似度由大到小的顺序对各知识文本进行排序,并可将排序后处于前M位的知识文本作为筛选出的知识文本,M为正整数。所述阈值以及所述M的具体取值均可根据实际需要而定,如M的取值可为3。
比如,假设知识库中包括100(数字仅为举例说明,实际可能远大于此)个知识文本,为便于表述,分别称为知识文本1~知识文本100,那么可分别获取测试需求描述信息对应的向量表示与知识文本1对应的向量表示之间的相似度、测试需求描述信息对应的向量表示与知识文本2对应的向量表示之间的相似度、测试需求描述信息对应的向量表示与知识文本3对应的向量表示之间的相似度、.....,以及测试需求描述信息对应的向量表示与知识文本100对应的向量表示之间的相似度,这样,共可得到100个相似度,进一步地,可将其中大于预定阈值的相似度对应的知识文本作为筛选出的知识文本,或者,可将这100个相似度按照由大到小的顺序进行排序,将排序后处于前3位的知识文本作为筛选出的知识文本,具体采用哪种方式可根据实际需要而定,非常的灵活方便。
如何获取所述相似度同样可根据实际需要而定。比如,以获取测试需求描述信息对应的向量表示与知识文本1对应的向量表示之间的相似度为例,可计算测试需求描述信息对应的向量表示与知识文本1对应的向量表示之间的欧几里得距离(EuclideanDistance),欧几里得距离越小,说明相似度越大,相应地,可按照预定转换方式将得到的欧几里得距离转换为对应的相似度。
可以看出,上述处理方式中,直接将筛选出的知识文本作为所需的目标知识。优选地,还可将筛选出的知识文本展示给用户,并可将用户从所展示的知识文本中选定的知识文本作为所需的目标知识。
即可由用户对筛选出的知识文本进行进一步筛选确认,如可人工分析所展示的各知识文本与测试需求描述信息之间的相关性,进而选择其中的一个、多个或全部作为所需的目标知识,从而进一步提升了获取到的目标知识的准确性等。
优选地,还可执行以下操作之一或全部:记录生成的测试用例与目标知识之间的关联关系;响应于用户对于生成的测试用例不满意,根据测试需求描述信息以及目标知识重新生成目标类型的测试用例。
即可将生成的测试用例与目标知识进行关联,从而助力知识网络的建立,并可将相关的测试用例串联起来,便于查找和管理等。另外,若用户对于生成的测试用例不满意,那么可指示大语言模型根据测试需求描述信息以及目标知识重新生成目标类型的测试用例,以便进一步提升生成的测试用例的准确性等。
结合上述介绍,图2为本公开所述测试用例生成方法第二实施例的流程图。该实施例的执行主体可为图2中所示的平台系统。如图2所示,包括以下具体实现方式。
在步骤201中,响应于确定用户进入“智能生成”页面,获取用户在其中的文本框中输入的测试需求描述信息。
在步骤202中,响应于获取到用户的选择请求,将可供选择的用例类型展示给用户。
在步骤203中,将用户从所展示的用例类型中选定的用例类型作为目标类型。
所述用例类型可包括第一类型和第二类型。
在步骤204~步骤206中,响应于确定用户发出生成指令,对知识库中的各知识文本进行筛选,从中筛选出与测试需求描述信息相匹配的知识文本。
用户发出生成指令可以是指点击页面上的“生成用例”按钮。
在步骤207中,将筛选出的知识文本展示给用户。
在步骤208中,确定用户从所展示的知识文本中选定的知识文本,作为目标知识。
在步骤209~步骤210中,根据测试需求描述信息以及目标知识,通过调用大语言模型,生成目标类型的测试用例。
其中,若目标类型为第一类型,那么可根据测试需求描述信息以及目标知识,利用大语言模型生成仅包括摘要信息的测试用例,若目标类型为第二类型,那么可根据测试需求描述信息以及目标知识,利用大语言模型生成包括完整信息的测试用例。
在步骤211中,将生成的测试用例返回给用户,结束流程。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。另外,某个实施例中没有详述的部分,可以参见其它实施例中的相关说明。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图3为本公开所述测试用例生成装置实施例300的组成结构示意图。如图3所示,包括:信息获取模块301、类型确定模块302以及用例生成模块303。
信息获取模块301,用于获取用户针对待生成的测试用例设置的测试需求描述信息。
类型确定模块302,用于确定出所述待生成的测试用例的用例类型,作为目标类型。
用例生成模块303,用于根据所述测试需求描述信息,利用大语言模型生成所述目标类型的测试用例。
采用上述装置实施例所述方案,用户只需设置测试需求描述信息,后续即可利用大语言模型自动地生成所需用例类型的测试用例,从而节省了人力和时间成本,并提升了处理效率,使得用户可以将更多的时间投入到其它测试任务的处理中,而且,借助于大语言模型,可提升生成的测试用例的准确性等。
信息获取模块301可获取用户针对待生成的测试用例设置的测试需求描述信息,如当用户需要生成测试用例时,可进入“智能生成”页面,并可在其中的文本框中输入测试需求描述信息。
另外,类型确定模块302还可确定出待生成的测试用例的用例类型,作为目标类型。
优选地,类型确定模块302响应于获取到用户的选择请求,可将可供选择的用例类型展示给用户,并可将用户从所展示的用例类型中选定的用例类型作为目标类型,响应于未获取到用户的选择请求,可将默认的用例类型作为目标类型。
也就是说,用户可以自行设置待生成的测试用例的用例类型,或者,也可以直接使用默认的目标类型。
进一步地,用例生成模块303可根据测试需求描述信息,利用大语言模型生成目标类型的测试用例。
优选地,用例生成模块303响应于目标类型为第一类型,可生成仅包括摘要信息的测试用例,响应于目标类型为第二类型,可生成包括完整信息的测试用例,完整信息中包括摘要信息以及摘要信息之外的预定信息。
也就是说,若目标类型为第一类型,那么可生成仅包括摘要信息的测试用例,摘要信息中可包括测试用例的名称以及基本描述信息等,若目标类型为第二类型,那么可生成包括完整信息的测试用例,完整信息中可包括测试用例的名称、基本描述信息、测试步骤以及预期结果等。
优选地,用例生成模块303还可获取与测试需求描述信息相匹配的知识文本,作为目标知识,所述知识文本来自于预先构建的知识库,相应地,可根据测试需求描述信息以及所述目标知识,利用大语言模型生成目标类型的测试用例。
优选地,用例生成模块303可获取测试需求描述信息对应的向量表示,并可根据测试需求描述信息对应的向量表示以及知识库中的各知识文本对应的向量表示,从知识库中筛选出与测试需求描述信息相匹配的知识文本,进而可将筛选出的知识文本作为所需的目标知识。
优选地,用例生成模块303可分别获取测试需求描述信息对应的向量表示与知识库中的各知识文本对应的向量表示之间的相似度,并可将对应的相似度大于预定阈值的知识文本作为筛选出的知识文本,或者,可按照相似度由大到小的顺序对各知识文本进行排序,将排序后处于前M位的知识文本作为筛选出的知识文本,M为正整数。
上述处理方式中,直接将筛选出的知识文本作为所需的目标知识。优选地,用例生成模块303还可将筛选出的知识文本展示给用户,并可将用户从所展示的知识文本中选定的知识文本作为所需的目标知识。
另外,优选地,用例生成模块303还可执行以下操作之一或全部:记录生成的测试用例与目标知识之间的关联关系;响应于用户对于生成的测试用例不满意,根据测试需求描述信息以及目标知识重新生成目标类型的测试用例。
图3所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明,不再赘述。
总之,采用本公开所述方案,仅需少量的人工操作,即可自动地生成所需的测试用例,从而节省了人力和时间成本,并提升了处理效率,而且,借助于测试需求描述信息、目标知识以及大语言模型,提升了生成的测试用例的准确性等。
本公开所述方案可应用于人工智能领域,特别涉及深度学习、大语言模型、自然语言处理以及知识管理等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术,人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术,人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
本公开所述实施例中的测试需求描述信息以及测试用例等并不是针对某一特定用户的,并不能反映出某一特定用户的个人信息。本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的电子设备400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、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,个人数字助理、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/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401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401执行上文所描述的各个方法和处理,例如本公开所述的方法。例如,在一些实施例中,本公开所述的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408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行本公开所述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开所述的方法。
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)、芯片上系统的系统(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。
用于实施本公开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。
在本公开的上下文中,机器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。机器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,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种测试用例生成方法,包括:
获取用户针对待生成的测试用例设置的测试需求描述信息;
确定出所述待生成的测试用例的用例类型,作为目标类型;
根据所述测试需求描述信息,利用大语言模型生成所述目标类型的测试用例。
2.根据权利要求1所述的方法,其中,
所述确定出所述待生成的测试用例的用例类型,作为目标类型包括:
响应于获取到所述用户的选择请求,将可供选择的用例类型展示给所述用户,并将所述用户从所展示的用例类型中选定的用例类型作为所述目标类型;
响应于未获取到所述用户的选择请求,将默认的用例类型作为所述目标类型。
3.根据权利要求1所述的方法,其中,
所述生成所述目标类型的测试用例包括:
响应于所述目标类型为第一类型,生成仅包括摘要信息的测试用例;
响应于所述目标类型为第二类型,生成包括完整信息的测试用例,所述完整信息中包括所述摘要信息以及所述摘要信息之外的预定信息。
4.根据权利要求1~3中任一项所述的方法,还包括:
获取与所述测试需求描述信息相匹配的知识文本,作为目标知识,所述知识文本来自于预先构建的知识库;
根据所述测试需求描述信息以及所述目标知识,利用所述大语言模型生成所述目标类型的测试用例。
5.根据权利要求4所述的方法,其中,
所述获取与所述测试需求描述信息相匹配的知识文本,作为目标知识包括:
获取所述测试需求描述信息对应的向量表示;
根据所述测试需求描述信息对应的向量表示以及所述知识库中的各知识文本对应的向量表示,从所述知识库中筛选出与所述测试需求描述信息相匹配的知识文本,作为所述目标知识。
6.根据权利要求5所述的方法,其中,
所述从所述知识库中筛选出与所述测试需求描述信息相匹配的知识文本包括:
分别获取所述测试需求描述信息对应的向量表示与所述知识库中的各知识文本对应的向量表示之间的相似度;
将对应的相似度大于预定阈值的知识文本作为筛选出的知识文本,或者,按照相似度由大到小的顺序对各知识文本进行排序,将排序后处于前M位的知识文本作为筛选出的知识文本,M为正整数。
7.根据权利要求5所述的方法,还包括:
将筛选出的知识文本展示给所述用户,将所述用户从所展示的知识文本中选定的知识文本作为所述目标知识。
8.根据权利要求4所述的方法,还包括以下之一或全部:
记录生成的测试用例与所述目标知识之间的关联关系;
响应于所述用户对于生成的测试用例不满意,根据所述测试需求描述信息以及所述目标知识重新生成所述目标类型的测试用例。
9.一种测试用例生成装置,包括:信息获取模块、类型确定模块以及用例生成模块;
所述信息获取模块,用于获取用户针对待生成的测试用例设置的测试需求描述信息;
所述类型确定模块,用于确定出所述待生成的测试用例的用例类型,作为目标类型;
所述用例生成模块,用于根据所述测试需求描述信息,利用大语言模型生成所述目标类型的测试用例。
10.根据权利要求9所述的装置,其中,
所述类型确定模块响应于获取到所述用户的选择请求,将可供选择的用例类型展示给所述用户,并将所述用户从所展示的用例类型中选定的用例类型作为所述目标类型,响应于未获取到所述用户的选择请求,将默认的用例类型作为所述目标类型。
11.根据权利要求9所述的装置,其中,
所述用例生成模块响应于所述目标类型为第一类型,生成仅包括摘要信息的测试用例,响应于所述目标类型为第二类型,生成包括完整信息的测试用例,所述完整信息中包括所述摘要信息以及所述摘要信息之外的预定信息。
12.根据权利要求9~11中任一项所述的装置,其中,
所述用例生成模块进一步用于,获取与所述测试需求描述信息相匹配的知识文本,作为目标知识,所述知识文本来自于预先构建的知识库,根据所述测试需求描述信息以及所述目标知识,利用所述大语言模型生成所述目标类型的测试用例。
13.根据权利要求12所述的装置,其中,
所述用例生成模块获取所述测试需求描述信息对应的向量表示,根据所述测试需求描述信息对应的向量表示以及所述知识库中的各知识文本对应的向量表示,从所述知识库中筛选出与所述测试需求描述信息相匹配的知识文本,作为所述目标知识。
14.根据权利要求13所述的装置,其中,
所述用例生成模块分别获取所述测试需求描述信息对应的向量表示与所述知识库中的各知识文本对应的向量表示之间的相似度,将对应的相似度大于预定阈值的知识文本作为筛选出的知识文本,或者,按照相似度由大到小的顺序对各知识文本进行排序,将排序后处于前M位的知识文本作为筛选出的知识文本,M为正整数。
15.根据权利要求13所述的装置,其中,
所述用例生成模块进一步用于,将筛选出的知识文本展示给所述用户,将所述用户从所展示的知识文本中选定的知识文本作为所述目标知识。
16.根据权利要求12所述的装置,其中,
所述用例生成模块进一步用于执行以下之一或全部:记录生成的测试用例与所述目标知识之间的关联关系;响应于所述用户对于生成的测试用例不满意,根据所述测试需求描述信息以及所述目标知识重新生成所述目标类型的测试用例。
17.一种电子设备,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权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311319790.5A CN117573507A (zh) | 2023-10-12 | 2023-10-12 | 测试用例生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311319790.5A CN117573507A (zh) | 2023-10-12 | 2023-10-12 | 测试用例生成方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117573507A true CN117573507A (zh) | 2024-02-20 |
Family
ID=89885127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311319790.5A Pending CN117573507A (zh) | 2023-10-12 | 2023-10-12 | 测试用例生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117573507A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932348A (zh) * | 2024-03-22 | 2024-04-26 | 中家院(北京)检测认证有限公司 | 智能家居交互测试用例的自动训练生成方法及系统 |
CN117932348B (zh) * | 2024-03-22 | 2024-06-21 | 中家院(北京)检测认证有限公司 | 智能家居交互测试用例的自动训练生成方法及系统 |
-
2023
- 2023-10-12 CN CN202311319790.5A patent/CN117573507A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932348A (zh) * | 2024-03-22 | 2024-04-26 | 中家院(北京)检测认证有限公司 | 智能家居交互测试用例的自动训练生成方法及系统 |
CN117932348B (zh) * | 2024-03-22 | 2024-06-21 | 中家院(北京)检测认证有限公司 | 智能家居交互测试用例的自动训练生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311321B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
CN113590776B (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
CN113657100A (zh) | 实体识别方法、装置、电子设备及存储介质 | |
CN112925883A (zh) | 搜索请求处理方法、装置、电子设备及可读存储介质 | |
CN111966782A (zh) | 多轮对话的检索方法、装置、存储介质及电子设备 | |
CN113361240B (zh) | 用于生成目标文章的方法、装置、设备和可读存储介质 | |
CN115248890A (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
CN117312140A (zh) | 测试用例的生成方法、装置、电子设备及存储介质 | |
CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN116301916A (zh) | 服务部署方法、装置、电子设备及存储介质 | |
CN114141236B (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN117573507A (zh) | 测试用例生成方法、装置、电子设备及存储介质 | |
CN113190154A (zh) | 模型训练、词条分类方法、装置、设备、存储介质及程序 | |
CN113052325A (zh) | 在线模型的优化方法、装置、设备、存储介质及程序产品 | |
CN113554062A (zh) | 多分类模型的训练方法、设备和存储介质 | |
CN115168577B (zh) | 模型更新方法、装置、电子设备及存储介质 | |
CN114329230B (zh) | 信息生成方法和装置 | |
CN114328936B (zh) | 建立分类模型的方法和装置 | |
CN117453722A (zh) | 获取信息的方法、装置、电子设备及存储介质 | |
CN117931991A (zh) | 训练样本获取及大模型优化训练方法和装置 | |
CN117370524A (zh) | 答复生成模型的训练方法、答复语句生成方法和装置 | |
CN117119046A (zh) | 服务的调用方法、装置、电子设备及存储介质 | |
CN117312339A (zh) | 题库更新方法、装置、电子设备及存储介质 | |
CN115686304A (zh) | 信息获取方法、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 |