[發(fā)明專利]基于機器學習模型的測試用例步驟的推薦方法和裝置

在審

• 申請?zhí)枺?/td>: 201811647595.4
• 申請日: 2018-12-29
• 公開（公告）號: CN111444076A
• 公開（公告）日: 2020-07-24
• 發(fā)明（設(shè)計）人: 楊本芊;李珂
• 申請（專利權(quán)）人: 北京奇虎科技有限公司
• 主分類號: G06F11/36
• 分類號: G06F11/36
• 代理公司: 深圳市世紀恒程知識產(chǎn)權(quán)代理事務(wù)所 44287
• 代理人: 胡海國

1.一種基于機器學習模型的測試用例步驟的推薦方法，包括：

對歷史測試用例數(shù)據(jù)進行預處理，得到預處理后的測試用例數(shù)據(jù)，其中，每條所述預處理后的測試用例數(shù)據(jù)包括一測試用例的順序排列的所有步驟的標識，每一步驟對應于測試用例管理平臺的函數(shù)庫中的一個函數(shù)；

針對所述預處理后的測試用例數(shù)據(jù)中的每條數(shù)據(jù)，以隨機選取該條數(shù)據(jù)中的一步驟為起點，取該步驟后的連續(xù)n-1個步驟與該步驟組成一指定格式數(shù)據(jù)的方式，得到多個指定格式數(shù)據(jù)，其中，每個所述指定格式數(shù)據(jù)包括按照執(zhí)行順序排列的n個步驟，前n-1個步驟作為訓練數(shù)據(jù)，第n個步驟作為標簽，n為不小于3的整數(shù)；

構(gòu)建機器學習模型，并利用所述訓練數(shù)據(jù)和所述標簽對所述機器學習模型進行訓練；

將待推薦步驟的測試用例的該待推薦步驟前的相鄰n-1個步驟輸入訓練好的所述機器學習模型中，得到推薦的該測試用例的步驟。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述機器學習模型包括N元語法N-gram模型、連續(xù)詞袋CBOW模型或長短期記憶網(wǎng)絡(luò)LSTM模型。

3.根據(jù)權(quán)利要求2所述的方法，其中，當所述機器學習模型為LSTM模型時，構(gòu)建機器學習模型，包括：

利用keras序貫模型構(gòu)建LSTM模型；

其中，所述LSTM模型包括詞向量嵌入embedding層、雙向LSTM層和全連接層；

所述全連接層采用softmax激活函數(shù)；

所述LSTM模型采用多分類交叉熵函數(shù)作為損失函數(shù)。

4.根據(jù)權(quán)利要求1-3中任一項所述的方法，其中，對歷史測試用例數(shù)據(jù)進行預處理，包括：

將所述函數(shù)庫中的函數(shù)按照函數(shù)原始標識進行排序；

將排序后的所述函數(shù)映射到一連續(xù)空間，從而以每個函數(shù)映射后的標識作為與該函數(shù)對應的步驟的標識。

5.根據(jù)權(quán)利要求4所述的方法，其中，在將所述函數(shù)庫中的函數(shù)按照函數(shù)原始標識進行排序之前，還包括：

對所述函數(shù)庫中的函數(shù)按照功能進行去重，并對所述歷史測試用例數(shù)據(jù)中與去重掉的函數(shù)對應的步驟重新編號。

6.根據(jù)權(quán)利要求1-5中任一項所述的方法，其中，在得到多個指定格式數(shù)據(jù)之后，還包括：

對所述多個指定格式數(shù)據(jù)中的所有標簽進行獨熱編碼。

7.根據(jù)權(quán)利要求1-6中任一項所述的方法，其中，在利用所述訓練數(shù)據(jù)和所述標簽對所述機器學習模型進行訓練之前，還包括：

按照指定比例將所述多個指定格式數(shù)據(jù)劃分為訓練集和測試集；

利用所述訓練數(shù)據(jù)和所述標簽對所述機器學習模型進行訓練，包括：

利用所述訓練集中的訓練數(shù)據(jù)和標簽對所述機器學習模型進行訓練。

8.一種基于機器學習模型的測試用例步驟的推薦裝置，包括：

數(shù)據(jù)預處理模塊，適于對歷史測試用例數(shù)據(jù)進行預處理，得到預處理后的測試用例數(shù)據(jù)，其中，每條所述預處理后的測試用例數(shù)據(jù)包括一測試用例的順序排列的所有步驟的標識，每一步驟對應于測試用例管理平臺的函數(shù)庫中的一個函數(shù)；

訓練數(shù)據(jù)生成模塊，適于針對所述預處理后的測試用例數(shù)據(jù)中的每條數(shù)據(jù)，以隨機選取該條數(shù)據(jù)中的一步驟為起點，取該步驟后的連續(xù)n-1個步驟與該步驟組成一指定格式數(shù)據(jù)的方式，得到多個指定格式數(shù)據(jù)，其中，每個所述指定格式數(shù)據(jù)包括按照執(zhí)行順序排列的n個步驟，前n-1個步驟作為訓練數(shù)據(jù)，第n個步驟作為標簽，n為不小于3的整數(shù)；

推薦模型訓練模塊，適于構(gòu)建機器學習模型，并利用所述訓練數(shù)據(jù)和所述標簽對所述機器學習模型進行訓練；以及

用例步驟推薦模塊，適于將待推薦步驟的測試用例的該待推薦步驟前的相鄰n-1個步驟輸入訓練好的所述機器學習模型中，得到推薦的該測試用例的步驟。

9.一種計算機存儲介質(zhì)，所述計算機存儲介質(zhì)存儲有計算機程序代碼，當所述計算機程序代碼在計算設(shè)備上運行時，導致所述計算設(shè)備執(zhí)行根據(jù)權(quán)利要求1-7中任一項所述的基于機器學習模型的測試用例步驟的推薦方法。

10.一種計算設(shè)備，包括：

處理器；以及

存儲有計算機程序代碼的存儲器；

當所述計算機程序代碼被所述處理器運行時，導致所述計算設(shè)備執(zhí)行根據(jù)權(quán)利要求1-7中任一項所述的基于機器學習模型的測試用例步驟的推薦方法。