CN117591624B - 一种基于语义索引关系的测试用例推荐方法 - Google Patents
一种基于语义索引关系的测试用例推荐方法 Download PDFInfo
- Publication number
- CN117591624B CN117591624B CN202410073783.XA CN202410073783A CN117591624B CN 117591624 B CN117591624 B CN 117591624B CN 202410073783 A CN202410073783 A CN 202410073783A CN 117591624 B CN117591624 B CN 117591624B
- Authority
- CN
- China
- Prior art keywords
- test case
- test
- keyword
- keywords
- target
- 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 466
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000006399 behavior Effects 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013522 software testing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06F16/316—Indexing structures
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种基于语义索引关系的测试用例推荐方法、装置、电子设备及介质，尤其涉及软件测试技术领域。包括：获取测试任务，提取测试任务的任务关键词；从预先构建的语义索引库中，确定与任务关键词匹配的目标关键词；获取目标关键词对应的目标测试用例集合；计算目标测试用例集合中每个测试用例与测试任务的相关度；根据相关度确定测试任务的推荐测试用例。本公开实施例可以提升测试用例推荐的效率和准确性。
Description
技术领域
本公开涉及软件测试技术领域，尤其涉及一种基于语义索引关系的测试用例推荐方法、装置、电子设备及介质。
背景技术
随着各种测试云平台的普及和发展，用户对于云测试的自动化和智能化要求不断增高。为了针对不同测试需求快速精确地找到匹配的测试用例进行测试，目前的推荐测试用例方法首先获取待测试的测试场景，然后提取待测试的测试场景的关键字，进而从包括多个已有测试用例的测试用例集中，选出至少包括一个关键字的已有测试用例，以为给这个待测试的测试场景推荐测试用例。但是，该方法将测试用例的异常ID的数量、在测试用例集中的重复次数、被导出次数以及三者之和作为已有测试用例的排序依据，这意味着无差别的存储了所有重复的测试用例和仅存在参数差异的相似测试用例，会造成资源浪费，并且该方法只能根据现有的这些重复、相似的测试用例进行推荐，难以满足实际测试需求。因此，现有推荐测试用例方法的准确性、实用性、全面性和智能性不高。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种基于语义索引关系的测试用例推荐方法、装置、电子设备及介质，可以提升测试用例推荐的效率和准确性。
为了实现上述目的，本公开实施例提供的技术方案如下：
第一方面，本公开提供一种基于语义索引关系的测试用例推荐方法，包括：
获取测试任务，提取测试任务的任务关键词；
从预先构建的语义索引库中，确定与任务关键词匹配的目标关键词；
获取目标关键词对应的目标测试用例集合；
计算目标测试用例集合中每个测试用例与测试任务的相关度；
根据相关度确定测试任务的推荐测试用例。
作为本公开实施例一种可选的实施方式，语义索引库中包括参考关键词和语义网络图，语义网络图包括关键词节点、关键词节点之间的语义关系连线和语义相关性权值；
从预先构建的语义索引库中，确定与任务关键词匹配的目标关键词，包括：将任务关键词与参考关键词进行匹配，确定参考关键词中与任务关键词相同的第一关键词；根据任务关键词和语义网络图，确定关键词节点中与任务关键词相似的第二关键词；将第一关键词和第二关键词作为目标关键词。
作为本公开实施例一种可选的实施方式，目标测试用例集合包括第一关键词对应的第一测试用例集合，以及第二关键词对应的第二测试用例集合；
计算目标测试用例集合中每个测试用例与测试任务的相关度，包括：针对第一测试用例集合中的每个第一测试用例，根据第一关键词对应的重要性参数计算第一测试用例与测试任务的第一相关度；重要性参数用于指示关键词与测试场景和测试类型的相关程度；针对第二测试用例集合中的每个第二测试用例，根据第二关键词对应的重要性参数，以及第二关键词与任务关键词之间的语义相关性权值，计算第二测试用例与测试任务的第二相关度。
作为本公开实施例一种可选的实施方式，根据相关度确定测试任务的推荐测试用例，包括：根据第一相关度和第二相关度，确定每个测试用例的优先级；根据优先级确定测试任务的推荐测试用例。
作为本公开实施例一种可选的实施方式，语义索引库的构建过程包括：获取测试用例库中的原始测试用例，以及原始测试用例对应的原始行为；从原始行为中识别出可参数化行为； 从原始测试用例中提取可参数化行为对应的目标参数；根据目标参数，对原始测试用例进行去重处理，得到目标测试用例，目标测试用例与可参数化行为和目标参数相对应；提取目标测试用例的关键词；基于关键词构建语义索引库。
作为本公开实施例一种可选的实施方式，提取目标测试用例的关键词，包括：对目标测试用例进行预处理，包括：分词处理、词性标注和实体识别；基于关键词提取算法提取预处理后的目标测试用例的关键词。
作为本公开实施例一种可选的实施方式，方法还包括：确定与推荐测试用例关联的参数，参数包括：用例描述、输入参数和代码片段；根据参数的取值范围生成参数集合；基于推荐测试用例和参数集合进行测试。
第二方面，本公开提供一种基于语义索引关系的测试用例推荐装置，包括：
提取模块，用于获取测试任务，提取测试任务的任务关键词；
关键词确定模块，用于从预先构建的语义索引库中，确定与任务关键词匹配的目标关键词；
获取模块，用于获取目标关键词对应的目标测试用例集合；
计算模块，用于计算目标测试用例集合中每个测试用例与测试任务的相关度；
推荐模块，用于根据每个测试用例与测试任务的相关度，确定测试任务的推荐测试用例。
作为本公开实施例一种可选的实施方式，语义索引库中包括参考关键词和语义网络图，语义网络图包括关键词节点、关键词节点之间的语义关系连线和语义相关性权值；
关键词确定模块，具体用于：将任务关键词与参考关键词进行匹配，确定参考关键词中与任务关键词相同的第一关键词；根据任务关键词和语义网络图，确定关键词节点中与任务关键词相似的第二关键词；将第一关键词和第二关键词作为目标关键词。
作为本公开实施例一种可选的实施方式，目标测试用例集合包括第一关键词对应的第一测试用例集合，以及第二关键词对应的第二测试用例集合；
计算模块，具体用于：针对第一测试用例集合中的每个第一测试用例，根据第一关键词对应的重要性参数计算第一测试用例与测试任务的第一相关度；重要性参数用于指示关键词与测试场景和测试类型的相关程度；针对第二测试用例集合中的每个第二测试用例，根据第二关键词对应的重要性参数，以及第二关键词与任务关键词之间的语义相关性权值，计算第二测试用例与测试任务的第二相关度。
作为本公开实施例一种可选的实施方式，推荐模块，具体用于：根据每个测试用例与测试任务的相关度，确定测试任务的推荐测试用例，包括：根据第一相关度和第二相关度，确定每个测试用例的优先级；根据优先级确定测试任务的推荐测试用例。
作为本公开实施例一种可选的实施方式，该装置还包括构建模块，构建模块，具体用于：获取测试用例库中的原始测试用例，以及原始测试用例对应的原始行为；从原始行为中识别出可参数化行为； 从原始测试用例中提取可参数化行为对应的目标参数；根据目标参数，对原始测试用例进行去重处理，得到目标测试用例，目标测试用例与可参数化行为和目标参数相对应；提取目标测试用例的关键词；基于关键词构建语义索引库。
作为本公开实施例一种可选的实施方式，构建模块，在提取目标测试用例的关键词的过程中，具体用于：对目标测试用例进行预处理，包括：分词处理、词性标注和实体识别；基于关键词提取算法提取预处理后的目标测试用例的关键词。
作为本公开实施例一种可选的实施方式，该装置还包括测试模块，测试模块，用于：确定与推荐测试用例关联的参数，参数包括：用例描述、输入参数和代码片段；根据参数的取值范围生成参数集合；基于推荐测试用例和参数集合进行测试。
第三方面，本公开提供一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面或其任意一种可选的实施方式所述的基于语义索引关系的测试用例推荐方法。
第四方面，本公开提供一种计算机可读存储介质，包括：所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面或其任意一种可选的实施方式所述的基于语义索引关系的测试用例推荐方法。
第五方面，本公开提供一种计算机程序产品，包括：当所述计算机程序产品在计算机上运行时，使得所述计算机实现如第一方面或其任意一种可选的实施方式所述的基于语义索引关系的测试用例推荐方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
本公开提供了一种基于语义索引关系的测试用例推荐方法、装置、电子设备及介质，其中，该方法首先获取测试任务并提取测试任务的任务关键词，然后从预先构建的语义索引库中确定与任务关键词匹配的目标关键词，进而获取目标关键词对应的目标测试用例集合，计算目标测试用例集合中每个测试用例与测试任务的相关度，得到测试任务与所有测试用例的相关度，以根据相关度确定测试任务的推荐测试用例。如此，本公开基于预先构建的语义索引库扩展了从测试任务提取到的任务关键词，从而得到了更多更全面的测试用例，进而通过相关度计算从中优选符合测试任务的测试用例实现智能推荐，提升了测试用例推荐的效率和准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种基于语义索引关系的测试用例推荐方法的流程示意图；
图2为本公开实施例提供一种基于语义索引关系的测试用例推荐装置的结构示意图；
图3为本公开实施例提供一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本公开中的具体含义。此外，在本公开的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。
目前的推荐测试用例方法首先获取待测试的测试场景，然后提取待测试的测试场景的关键字，进而从包括多个已有测试用例的测试用例集中，选出至少包括一个关键字的已有测试用例，以为给这个待测试的测试场景推荐测试用例。
然而，上述推荐测试用例方法具体是将测试用例的异常ID的数量、在测试用例集中的重复次数、被导出次数以及三者之和作为已有测试用例的排序依据，这意味着无差别的存储了所有重复的测试用例和仅存在参数差异的相似测试用例，会造成资源浪费；并且，该推荐测试用例方法没有对原始测试用例进行处理，只能根据现有测试用例直接进行推荐，无法在现有测试用例基础上进行智能化的参数推荐，因此只能适用于版本更新等测试场景，当需要对全新的软件进行测试时，难以满足实际测试需求。可见，现有测试用例推荐的准确性、实用性、全面性和智能性不高。
为了解决上述问题，本公开实施例提供了一种基于语义索引关系的测试用例推荐方法、装置、电子设备及介质，可以基于预先构建的语义索引库扩展从测试任务提取到的任务关键词，从而得到更多更全面的测试用例，进而通过相关度计算从中优选符合测试任务的测试用例实现智能推荐，提升了测试用例推荐的效率和准确性。
本公开实施例中提供的一种基于语义索引关系的测试用例推荐方法，可以通过计算机设备实现，计算机设备包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机、车载设备等。计算机设备包括用户设备与网络设备。其中，用户设备包括但不限于电脑、智能手机、平板电脑等；网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，计算机设备可单独运行来实现本公开，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本公开。其中，计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用（Virtual Private Network，VPN）网络等。
需要说明的是，本公开实施例所述的一种基于语义索引关系的测试用例推荐方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本公开的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本公开的保护范围内。
如图1所示，图1为本公开实施例提供的一种基于语义索引关系的测试用例推荐方法的流程示意图，该方法包括如下步骤S101~S105：
S101、获取测试任务，提取测试任务的任务关键词。
其中，测试任务可以携带包括但不限于如下信息：测试场景、测试类型、测试需求。测试任务可以是自然语言形式的文本。
一些实施例中，通过自然语言处理技术，提取测试任务中包含的任务关键词。具体的，首先使用分词器对自然语言形式的测试任务进行分词处理，将整句的测试任务分解成词语，得到测试任务对应的词语序列；然后对所得到的词语序列进行词性标注，确定词语序列中的每个词语在整句中的语法类型，例如动词、名词、形容词等等；再通过实体识别算法，识别词语序列中的实体，得到实体识别结果；进而基于前述所得到的词语序列、语法类型和实体识别结果，利用关键词提取算法，从词语序列中提取与测试需求有关的关键词作为任务关键词。
示例性的，上述关键词提取算法可以是词频-逆向文件频率算法和抽取型文本摘要算法等，本公开对此并不具体限制。其中，词频-逆向文件频率 (term frequency–inverse document frequency ，TF-IDF)是一种用于信息检索（information retrieval）与文本挖掘（text mining）的常用加权技术，用以评估一个字或一个词语相对于一个文件集或一个语料库中的其他词语的重要程度。抽取型文本摘要算法（TextRank算法）是一种用于文本摘要和关键词提取的图形化模型，通过把文本分割成若干组成单元（句子），构建节点连接图，用句子之间的相似度作为边的权重，通过循环迭代计算句子的TextRank值，最后抽取排名高的句子组合成文本摘要。
S102、从预先构建的语义索引库中，确定与任务关键词匹配的目标关键词。
其中，语义索引库是预先构建的，包括参考关键词和语义网络图，其中语义网络图包括关键词节点、关键词节点之间的语义关系连线和语义相关性权值。
下述将介绍语义索引库的构建过程，包括如下步骤S201~S206：
S201、获取测试用例库中的原始测试用例，以及原始测试用例对应的原始行为；
其中，测试用例库中包括多个已有的原始测试用例。可以理解的是，原始测试用例大量重复、参数相同或相似。因而本公开通过后续步骤对其进行筛选和定向扩展。
S202、从原始行为中识别出可参数化行为。
其中，可参数化行为是指原始测试用例中某些值可以通过外部输入进行替换，以测试输入不同参数时测试用例能否被正确执行。可参数化行为可以包括：已知固定值可参数化、输入数据可参数化和代码片段可替换。
这里需要说明行为参数化技术，行为参数化是将行为作为参数传递给函数或方法，从而实现代码的灵活性和可复用性。通过行为参数化可以将代码中的具体行为抽象出来，并将其以参数的形式传递给其他函数或方法，使得代码可以根据不同的需求来改变行为。在行为参数化的实现中，使用函数或接口来表示抽象的行为。这些函数或接口可以作为参数传递给其他函数或方法，也可以作为返回值返回。通过使用函数或接口来表示行为，以将代码逻辑与具体的行为解耦，从而提高代码的可维护性和可扩展性。
一些实施例中，在执行步骤S201（获取到测试用例库中的原始测试用例）之后，通过行为参数化技术，首先分析原始测试用例的原始行为，并进行归类，然后从中识别出可参数化行为，进而执行步骤S203。
一些实施例中，步骤S202从原始行为中识别出可参数化行为包括：可选的，判断测试用例是否存在已知固定值，例如IP地址、端口号、用户名、密码等等。可选的，判断测试用例是否输入数据是否可被参数化，例如，判断测试用例的输入数据是否可以从外部文件、数据库或其他外部系统中读取，或者，判断测试用例的输入数据是否由配置文件指定。可选的，判断测试用例的代码片段是否可替换，例如，测试用例中字符串的值，字符串格式化代码片段等等。
S203、从原始测试用例中提取可参数化行为对应的目标参数。
一些实施例中，在测试用例存在已知固定值的情况下，提取已知固定值对应的目标参数。具体的，设置目标参数以从外部读入这些已知固定值。
一些实施例中，在测试用例的输入数据能够被参数化的情况下，提取输入数据对应的目标参数。具体的，设置目标参数以从外部文件、数据库或其他外部系统读取输入数据，或者，通过配置文件读取。
一些实施例中，在测试用例的代码片段可替换的情况下，提取代码片段对应的目标参数，具体的，设置目标参数以替换代码片段。示例性的，在Java中通过占位符替换字符串中的值；在Python中使用类似{0}、{1}等语法替换字符串格式化代码片段。
上述实施例通过分析测试用例的用例描述、输入数据和代码片段，将测试用例的行为参数化，实现将测试用例参数与测试步骤相分离，便于测试时对测试用例的参数进行个性化设置。
一些实施例中，在执行步骤S203之后，还包括确定目标参数的参数类型，以及定义目标参数的取值范围。具体的，目标参数的参数类型包括数值型、字符串型、枚举型、其他操作步骤类型等等。针对不同的参数类型，取值范围的定义方式不同，示例性的，针对数值型的目标参数，定义目标参数的起始值和结束值，或者，通过步长设置目标参数的取值范围；针对字符串型的目标参数，定义所包含的字符或单次，以及限定长度范围等等。
一些实施例中，在执行步骤S203之后，将目标参数存储至外部参数配置文件中，以在测试时针对实际的测试场景，选择对应的外部参数配置文件，从而使得测试用例具有多个不同的输入参数，扩大测试覆盖面。
S204、根据目标参数，对原始测试用例进行去重处理，得到目标测试用例。
其中，目标测试用例与可参数化行为和目标参数相对应。
一些实施例中，在上述实施例的基础上，得到每个原始测试用例的测试行为和对应的目标参数，将原始测试用例、测试行为、目标参数进行标记和关联；进而将相同目标参数的原始测试用例予以删除，实现对测试用例的去重，保留下来的测试用例作为目标测试用例，每个目标测试用例都是不同的，相互之间参数也存在差异，从而避免大量重复、相似测试用例所造成的资源占用和浪费。
S205、提取目标测试用例的关键词。
一些实施例中，在提取目标测试用例的关键词的过程中，首先对目标测试用例进行预处理，包括分词处理、词性标注和实体识别；进而基于关键词提取算法提取预处理之后的目标测试用例的关键词。
具体的，通过自然语言处理技术，提取目标测试用例的关键词。首先使用分词器对自然语言形式的目标测试用例进行分词处理，将整句的目标测试用例分解成词语，得到目标测试用例对应的词语序列；然后对所得到的词语序列进行词性标注，确定词语序列中的每个词语在整句中的语法类型，例如动词、名词、形容词等等；再通过实体识别算法，识别词语序列中的实体，得到实体识别结果；进而基于前述所得到的词语序列、语法类型和实体识别结果，利用关键词提取算法，从词语序列中提取关键词作为关键词。
S206、基于关键词构建语义索引库。
一些实施例中，根据预设测试场景和预设测试类型，对关键词进行过滤，以去除无关的关键词，将保留下来的关键词作为参考关键词，用于语义索引。可选的，计算参考关键词与测试场景和测试类型的相关度，将该相关度作为参考关键词的重要性参数，以将参考关键词按照重要性参数的大小进行排序。
一些实施例中，通过构建有权图的方式构建语义网络图，具体的将关键词作为语义网络图的节点，也即关键词节点；将每两个关键词之间的语义关系作为语义网络节点之间的连线，也即关键词节点连线，其中，语义关系包括但不限于：同义词、近义词、上下文关系；针对每两个关键词，根据它们出现在同一目标测试用例中的次数作为关键词之间的权值，也即语义相关性权值。通过构建语义网络图实现对关键词的扩展。
上述步骤S201~S206通过对原始测试用例进行处理，通过行为参数化技术将数据和测试步骤相分离，从而使得测试用例的推荐不再局限于既定的测试用例；对原始测试用例进行去重，舍弃重复、参数相似的部分测试用例，从而减少了对存储资源的占用；构建语义索引库，明确测试用例的关键词之间的相似性和差异性，从而能够提升测试用例推荐的覆盖率。
在上述步骤S201~S206所构建语义索引库的基础上，执行步骤S102（从预先构建的语义索引库中，确定与所述任务关键词匹配的目标关键词）具体包括：首先，将从测试任务中提取得到的任务关键词与语义索引库中的参考关键词进行匹配，确定这些参考关键词中与任务关键词相同的第一关键词；根据任务关键词和语义索引库中的语义网络图，确定其所包含的关键词节点中与任务关键词相似的第二关键词；将第一关键词和第二关键词作为目标关键词。
其中，第二关键词可以是任务关键词的同义词，可以是任务关键词的近义词，还可以是任务关键词的上下文关系词。
上述实施例基于语义索引库的两部分，分别与测试任务对应的任务关键词相匹配，以得到与任务关键词相同的第一关键词，以及与任务关键词相似的第二关键词，从而实现对任务关键词的扩展，不再局限于查找只包含任务关键词的测试用例，使得测试用例也得到扩展。
S103、获取目标关键词对应的目标测试用例集合。
其中，目标测试用例集合包括第一关键词对应的第一目标测试用例集合，以及第二关键词对应的第二目标测试用例集合。第一目标测试用例集合中包括多个第一目标测试用例，第二目标测试用例中包括多个第二目标测试用例。
可选的，在执行步骤S103（获取目标关键词对应的目标测试用例集合）之后，根据每个目标测试用例对应的目标参数的取值范围，确定多组参数集合。以进一步扩展测试用例的个数，实现对测试用例的补充，有利于提升测试的准确性。
上述实施例通过预先构建的语义索引库快速定位与任务关键词匹配的目标关键词，从而定位与测试任务所需测试用例的行为或功能相关的目标测试用例集合，从而节省优化测试用力的时间和精力，提升测试用例推荐的效率。
S104、计算目标测试用例集合中每个测试用例与测试任务的相关度。
一些实施例中，计算目标测试用例集合中每个测试用例与测试任务的相关度，具体包括：针对第一测试用例集合中的每个第一测试用例，根据第一关键词对应的重要性参数，计算第一测试用例与测试任务的第一相关度；重要性参数用于指示关键词与测试场景和测试类型的相关程度；针对第二测试用例集合中的每个第二测试用例，根据第二关键词对应的重要性参数，以及第二关键词与任务关键词之间的语义相关性权值，计算第二测试用例与测试任务的第二相关度。
可以理解的，针对任意一个第一测试用例，确定第一测试用例的第一关键词（也即参考关键词）对应的重要性参数，重要性参数是在构建语义索引库时与参考关键词对应存储的，进而将重要性参数作为第一测试用例与测试任务的第一相关度。
针对任意一个第二测试用例，在前述实施例的基础上确定了第二测试用例对应的第二关键词，第二关键词的数量为至少一个。通过语义网络图，确定任务关键词与第二关键词之间的语义相关性权值，并确定第二测试用例的第二关键词所对应的重要性参数，进而将各个语义相关性权值与重要性参数相乘并加和，所得值作为第二测试用例与测试任务的第二相关度。
上述实施例在确定与任务关键词相同的第一关键词所对应的第一目标测试用例集合，以及与任务关键词相似度的第二关键词所对应的第二目标测试用例集合之后，再基于第一关键词和第二关键词，对目标测试用例集合中的每个测试用例与测试任务的相关性进行衡量，从而为推荐最优测试用例提供数据准备。
S105、根据相关度确定测试任务的推荐测试用例。
一些实施例中，在根据相关度确定测试任务的推荐测试用例的过程中，首先根据第一相关度和第二相关度，确定每个测试用例的优先级，然后再根据优先级确定测试任务的推荐测试用例。优先级用于指示推荐该测试用例的优先程度。
具体的，在计算得到第一目标测试用例集合中每个第一目标测试用例的第一相关度，以及第二目标测试用例集合中每个第二目标测试用例的第二相关度之后，对这些相关度进行大小排序，以确定各个测试用例的优先级，从而根据优先级的先后顺序为测试任务推荐测试用例。可选的，推荐最优测试用例。
上述实施例通过相关度计算，从而快速找到符合测试任务的测试用例进行推荐，提升了测试用例推荐的准确性。
一些实施例中，在根据相关度确定测试任务的推荐测试用例之后，确定与推荐测试用例关联的参数，包括用例描述、输入参数和代码片段，进而确定这些参数的取值范围，以根据这些参数的取值范围生成多组参数集合，后续可基于这多组参数集合与推荐测试用例进行测试。如此，实现在已有的测试用例的基础上进行智能化的参数推荐，增加了测试用例的覆盖面，适用于更加多元化的场景，能够满足实际的测试需求，提升了测试用例推荐的实用性和智能性。
综上，本公开实施例提供一种基于语义索引关系的测试用例推荐方法，该方法首先获取测试任务并提取测试任务的任务关键词，然后从预先构建的语义索引库中确定与任务关键词匹配的目标关键词，进而获取目标关键词对应的目标测试用例集合，计算目标测试用例集合中每个测试用例与测试任务的相关度，得到测试任务与所有测试用例的相关度，以根据相关度确定测试任务的推荐测试用例。如此，本公开基于预先构建的语义索引库扩展了从测试任务提取到的任务关键词，从而得到了更多更全面的测试用例，进而通过相关度计算从中优选符合测试任务的测试用例实现智能推荐，提升了测试用例推荐的效率和准确性。
如图2所示，图2为本公开实施例提供一种基于语义索引关系的测试用例推荐装置的结构示意图，该装置包括：
提取模块201，用于获取测试任务，提取所述测试任务的任务关键词；
关键词确定模块202，用于从预先构建的语义索引库中，确定与所述任务关键词匹配的目标关键词；
获取模块203，用于获取所述目标关键词对应的目标测试用例集合；
计算模块204，用于计算所述目标测试用例集合中每个测试用例与所述测试任务的相关度；
推荐模块205，用于根据所述每个测试用例与测试任务的相关度，确定所述测试任务的推荐测试用例。
作为本公开实施例一种可选的实施方式，语义索引库中包括参考关键词和语义网络图，语义网络图包括关键词节点、关键词节点之间的语义关系连线和语义相关性权值；
关键词确定模块202，具体用于：将任务关键词与参考关键词进行匹配，确定参考关键词中与任务关键词相同的第一关键词；根据任务关键词和语义网络图，确定关键词节点中与任务关键词相似的第二关键词；将第一关键词和第二关键词作为目标关键词。
作为本公开实施例一种可选的实施方式，目标测试用例集合包括第一关键词对应的第一测试用例集合，以及第二关键词对应的第二测试用例集合；
计算模块204，具体用于：针对第一测试用例集合中的每个第一测试用例，根据第一关键词对应的重要性参数计算第一测试用例与测试任务的第一相关度；重要性参数用于指示关键词与测试场景和测试类型的相关程度；针对第二测试用例集合中的每个第二测试用例，根据第二关键词对应的重要性参数，以及第二关键词与任务关键词之间的语义相关性权值，计算第二测试用例与测试任务的第二相关度。
作为本公开实施例一种可选的实施方式，推荐模块205，具体用于：根据每个测试用例与测试任务的相关度，确定测试任务的推荐测试用例，包括：根据第一相关度和第二相关度，确定每个测试用例的优先级；根据优先级确定测试任务的推荐测试用例。
作为本公开实施例一种可选的实施方式，该装置还包括构建模块，构建模块，具体用于：获取测试用例库中的原始测试用例，以及原始测试用例对应的原始行为；从原始行为中识别出可参数化行为； 从原始测试用例中提取可参数化行为对应的目标参数；根据目标参数，对原始测试用例进行去重处理，得到目标测试用例，目标测试用例与可参数化行为和目标参数相对应；提取目标测试用例的关键词；基于关键词构建语义索引库。
作为本公开实施例一种可选的实施方式，构建模块，在提取目标测试用例的关键词的过程中，具体用于：对目标测试用例进行预处理，包括：分词处理、词性标注和实体识别；基于关键词提取算法提取预处理后的目标测试用例的关键词。
作为本公开实施例一种可选的实施方式，该装置还包括测试模块，测试模块，用于：确定与推荐测试用例关联的参数，参数包括：用例描述、输入参数和代码片段；根据参数的取值范围生成参数集合；基于推荐测试用例和参数集合进行测试。
如图3所示，图3为本公开实施例提供一种电子设备的结构示意图，该电子设备包括：处理器301、存储器302及存储在所述存储器302上并可在所述处理器301上运行的计算机程序，所述计算机程序被所述处理器301执行时实现上述方法实施例中的基于语义索引关系的测试用例推荐方法的各个过程。且能达到相同的技术效果，为避免重复，这里不再赘述。
本公开实施例提供一种计算机可读存储介质，该计算机可读存储介质上存储计算机程序，该计算机程序被处理器执行时实现上述方法实施例中基于语义索引关系的测试用例推荐方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，该计算机可读存储介质可以为只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等。
本公开实施例提供一种计算程序产品，该计算机程序产品存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中基于语义索引关系的测试用例推荐方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本公开中，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。
本公开中，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
本公开中，计算机可读介质包括永久性和非永久性、可移动和非可移动存储介质。存储介质可以由任何方法或技术来实现信息存储，信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。根据本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于语义索引关系的测试用例推荐方法，其特征在于，包括：
获取测试任务，提取所述测试任务的任务关键词；
从预先构建的语义索引库中，确定与所述任务关键词匹配的目标关键词；
获取所述目标关键词对应的目标测试用例集合；
计算所述目标测试用例集合中每个测试用例与所述测试任务的相关度；
根据所述相关度确定所述测试任务的推荐测试用例；
其中，所述语义索引库中包括参考关键词和语义网络图，所述语义网络图包括关键词节点、关键词节点之间的语义关系连线和语义相关性权值；
所述从预先构建的语义索引库中，确定与所述任务关键词匹配的目标关键词，包括：
将所述任务关键词与所述参考关键词进行匹配，确定所述参考关键词中与所述任务关键词相同的第一关键词；
根据所述任务关键词和所述语义网络图，确定所述关键词节点中与所述任务关键词相似的第二关键词；
将所述第一关键词和所述第二关键词作为所述目标关键词；
其中，所述语义索引库的构建过程包括：
获取测试用例库中的原始测试用例，以及所述原始测试用例对应的原始行为；
从所述原始行为中识别出可参数化行为；
从所述原始测试用例中提取所述可参数化行为对应的目标参数；
根据所述目标参数，对原始测试用例进行去重处理，得到目标测试用例，所述目标测试用例与所述可参数化行为和所述目标参数相对应；
提取所述目标测试用例的关键词；
基于所述关键词构建语义索引库。
2.根据权利要求1所述的方法，其特征在于，所述目标测试用例集合包括所述第一关键词对应的第一测试用例集合，以及所述第二关键词对应的第二测试用例集合；
所述计算所述目标测试用例集合中每个测试用例与所述测试任务的相关度，包括：
针对所述第一测试用例集合中的每个第一测试用例，根据所述第一关键词对应的重要性参数计算所述第一测试用例与所述测试任务的第一相关度；所述重要性参数用于指示关键词与测试场景和测试类型的相关程度；
针对所述第二测试用例集合中的每个第二测试用例，根据所述第二关键词对应的重要性参数，以及所述第二关键词与所述任务关键词之间的语义相关性权值，计算所述第二测试用例与所述测试任务的第二相关度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述相关度确定所述测试任务的推荐测试用例，包括：
根据所述第一相关度和所述第二相关度，确定每个测试用例的优先级；
根据所述优先级确定所述测试任务的推荐测试用例。
4.根据权利要求1所述的方法，其特征在于，所述提取所述目标测试用例的关键词，包括：
对所述目标测试用例进行预处理，包括：分词处理、词性标注和实体识别；
基于关键词提取算法提取预处理后的目标测试用例的关键词。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定与所述推荐测试用例关联的参数，所述参数包括：用例描述、输入参数和代码片段；
根据所述参数的取值范围生成参数集合；
基于所述推荐测试用例和所述参数集合进行测试。
6.一种基于语义索引关系的测试用例推荐装置，其特征在于，包括：
提取模块，用于获取测试任务，提取所述测试任务的任务关键词；
关键词确定模块，用于从预先构建的语义索引库中，确定与所述任务关键词匹配的目标关键词；
获取模块，用于获取所述目标关键词对应的目标测试用例集合；
计算模块，用于计算所述目标测试用例集合中每个测试用例与所述测试任务的相关度；
推荐模块，用于根据所述每个测试用例与所述测试任务的相关度，确定所述测试任务的推荐测试用例；
其中，述语义索引库中包括参考关键词和语义网络图，所述语义网络图包括关键词节点、关键词节点之间的语义关系连线和语义相关性权值；
所述关键词确定模块，具体用于：将所述任务关键词与所述参考关键词进行匹配，确定所述参考关键词中与所述任务关键词相同的第一关键词；
根据所述任务关键词和所述语义网络图，确定所述关键词节点中与所述任务关键词相似的第二关键词；
将所述第一关键词和所述第二关键词作为所述目标关键词；
其中，所述测试用例推荐装置还包括构建模块，所述构建模块用于：获取测试用例库中的原始测试用例，以及所述原始测试用例对应的原始行为；
从所述原始行为中识别出可参数化行为；
从所述原始测试用例中提取所述可参数化行为对应的目标参数；
根据所述目标参数，对原始测试用例进行去重处理，得到目标测试用例，所述目标测试用例与所述可参数化行为和所述目标参数相对应；
提取所述目标测试用例的关键词；
基于所述关键词构建语义索引库。
7.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的基于语义索引关系的测试用例推荐方法。
8.一种计算机可读存储介质，其特征在于，包括：所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于语义索引关系的测试用例推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410073783.XA CN117591624B (zh) | 2024-01-18 | 2024-01-18 | 一种基于语义索引关系的测试用例推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410073783.XA CN117591624B (zh) | 2024-01-18 | 2024-01-18 | 一种基于语义索引关系的测试用例推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117591624A CN117591624A (zh) | 2024-02-23 |
| CN117591624B true CN117591624B (zh) | 2024-04-05 |
Family
ID=89910272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410073783.XA Active CN117591624B (zh) | 2024-01-18 | 2024-01-18 | 一种基于语义索引关系的测试用例推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117591624B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102117285A (zh) * | 2009-12-30 | 2011-07-06 | 安世亚太科技（北京）有限公司 | 一种基于语义索引的检索方法 |
| CN102609512A (zh) * | 2012-02-07 | 2012-07-25 | 北京中机科海科技发展有限公司 | 异构信息知识挖掘与可视化分析系统及方法 |
| CN109446104A (zh) * | 2018-11-16 | 2019-03-08 | 郑州云海信息技术有限公司 | 一种基于大数据的测试用例管理方法及装置 |
| CN113687826A (zh) * | 2021-08-10 | 2021-11-23 | 中国人民解放军陆军工程大学 | 一种基于需求项提取的测试用例复用系统及方法 |
| 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 |
| CN114153954A (zh) * | 2021-10-26 | 2022-03-08 | 北京搜狗科技发展有限公司 | 测试用例推荐方法、装置、电子设备及存储介质 |
| 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 |
| CN116680162A (zh) * | 2023-04-17 | 2023-09-01 | 中国软件评测中心(工业和信息化部软件与集成电路促进中心) | 一种测试用例复用方法、装置、介质、设备及产品 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9720813B2 (en) * | 2015-08-13 | 2017-08-01 | Ca, Inc. | Method and apparatus for recommending regression tests |
| US11106675B2 (en) * | 2018-06-12 | 2021-08-31 | Atos Syntel Inc. | System and method for identifying optimal test cases for software development |
| US11397667B2 (en) * | 2020-02-20 | 2022-07-26 | Accenture Global Solutions Limited | Software test case sequencing |
-
2024
- 2024-01-18 CN CN202410073783.XA patent/CN117591624B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102117285A (zh) * | 2009-12-30 | 2011-07-06 | 安世亚太科技（北京）有限公司 | 一种基于语义索引的检索方法 |
| CN102609512A (zh) * | 2012-02-07 | 2012-07-25 | 北京中机科海科技发展有限公司 | 异构信息知识挖掘与可视化分析系统及方法 |
| CN109446104A (zh) * | 2018-11-16 | 2019-03-08 | 郑州云海信息技术有限公司 | 一种基于大数据的测试用例管理方法及装置 |
| CN113687826A (zh) * | 2021-08-10 | 2021-11-23 | 中国人民解放军陆军工程大学 | 一种基于需求项提取的测试用例复用系统及方法 |
| CN114153954A (zh) * | 2021-10-26 | 2022-03-08 | 北京搜狗科技发展有限公司 | 测试用例推荐方法、装置、电子设备及存储介质 |
| 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 |
| 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 |
| CN116680162A (zh) * | 2023-04-17 | 2023-09-01 | 中国软件评测中心(工业和信息化部软件与集成电路促进中心) | 一种测试用例复用方法、装置、介质、设备及产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117591624A (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10558754B2 (en) | Method and system for automating training of named entity recognition in natural language processing | |
| JP6894534B2 (ja) | 情報処理方法及び端末、コンピュータ記憶媒体 | |
| CN111539197B (zh) | 文本匹配方法和装置以及计算机系统和可读存储介质 | |
| CN106844341B (zh) | 基于人工智能的新闻摘要提取方法及装置 | |
| Eyal-Salman et al. | Feature-to-code traceability in a collection of software variants: Combining formal concept analysis and information retrieval | |
| CN110968684A (zh) | 一种信息处理方法、装置、设备及存储介质 | |
| CN111125086B (zh) | 获取数据资源的方法、装置、存储介质及处理器 | |
| CN110929038A (zh) | 基于知识图谱的实体链接方法、装置、设备和存储介质 | |
| CN110019669B (zh) | 一种文本检索方法及装置 | |
| CN111522886B (zh) | 一种信息推荐方法、终端及存储介质 | |
| CN109857873A (zh) | 推荐实体的方法和装置、电子设备、计算机可读介质 | |
| CN110609952A (zh) | 数据采集方法、系统和计算机设备 | |
| CN114330329A (zh) | 一种业务内容搜索方法、装置、电子设备及存储介质 | |
| Huang et al. | Query expansion based on statistical learning from code changes | |
| CN112364185B (zh) | 多媒体资源的特征确定方法、装置、电子设备和存储介质 | |
| KR102299525B1 (ko) | 제품 평가 마이닝 방법 및 이를 수행하는 장치 | |
| CN111488510A (zh) | 小程序相关词的确定方法、装置、处理设备及搜索系统 | |
| Eyal-Salman et al. | Feature-to-code traceability in legacy software variants | |
| KR101983477B1 (ko) | 단락 기반 핵심 개체 식별을 이용한 한국어 주어의 생략 성분 복원 방법 및 시스템 | |
| CN111460808A (zh) | 同义文本识别及内容推荐方法、装置及电子设备 | |
| CN117591624B (zh) | 一种基于语义索引关系的测试用例推荐方法 | |
| CN114218259B (zh) | 基于大数据SaaS的多维科创信息搜索方法及系统 | |
| CN116383340A (zh) | 信息搜索方法、装置、电子设备和存储介质 | |
| CN109471969A (zh) | 一种应用搜索方法、装置及设备 | |
| CN111538898B (zh) | 基于组合特征提取的Web服务包推荐方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |