[發明專利]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

• 申請號: 201811647595.4
• 申請日: 2018-12-29
• 公開（公告）號: CN111444076A
• 公開（公告）日: 2020-07-24
• 發明（設計）人: 楊本芊;李珂
• 申請（專利權）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權代理事務所 44287
• 代理人: 胡海國

本發明提供了一種基于機器學習模型的測試用例步驟的推薦方法和裝置。本發明的方案通過以連續的n個用例步驟為單位對預處理后的歷史測試用例數據進行格式化得到指定格式數據，以每個指定格式數據中的前n?1個步驟作為訓練數據、第n個步驟作為標簽對構建的機器學習模型進行訓練，進而以訓練好的機器學習模型進行測試用例的步驟推薦，實現了人工智能AI與測試的結合，能夠在編寫測試用例時為測試人員自動推薦用例步驟以供挑選而無需人工去函數庫進行選擇，有效提高測試用例編寫效率，從而提高測試效率并降低測試成本。特別地，通過采用長短期記憶網絡LSTM模型進行測試用例步驟的推薦，可顯著提高模型精度，用例步驟推薦準確度可達83％。

技術領域

本發明涉及軟件測試技術領域，特別是一種基于機器學習模型的測試用例步驟的推薦方法、裝置、計算機存儲介質以及計算設備。

背景技術

軟件測試是軟件質量保證的關鍵環節，是一個軟件生命周期必不可少的環節。軟件測試的過程中需要根據軟件自身特點編寫很多的測試用例，對于測試用例的有效管理可以幫助測試人員提高測試效率，降低測試成本。

現有技術中，在測試用例管理平臺上編寫測試用例的方法是在某個項目下新建測試用例，并根據該測試用例的功能從函數庫中選擇函數作為用例的每個步驟，這個過程需要從擁有幾千上萬條函數的函數庫中選擇想要的函數。雖然函數庫是按照項目劃分，對函數進行了整理，但是每次去選擇需要的函數仍需花費大約幾秒鐘的時間。如此，通過人工選擇用例步驟來編寫完一條測試用例可能需要花費2-3分鐘，效率很低。

因此，亟需一種在編寫測試用例時可為測試人員自動推薦若干用例步驟以供挑選而無需人工去函數庫進行選擇，進而提高測試用例編寫效率的技術。

發明內容

鑒于上述問題，提出了本發明以便提供一種克服上述問題或者至少部分地解決上述問題的基于機器學習模型的測試用例步驟的推薦方法、裝置、計算機存儲介質以及計算設備。

根據本發明實施例的一方面，提供了一種基于機器學習模型的測試用例步驟的推薦方法，包括：

對歷史測試用例數據進行預處理，得到預處理后的測試用例數據，其中，每條所述預處理后的測試用例數據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庫中的一個函數；

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

構建機器學習模型，并利用所述訓練數據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。

可選地，所述機器學習模型包括N元語法N-gram模型、連續詞袋CBOW模型或長短期記憶網絡LSTM模型。

可選地，當所述機器學習模型為LSTM模型時，構建機器學習模型，包括：

利用keras序貫模型構建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；

所述LSTM模型采用多分類交叉熵函數作為損失函數。

可選地，對歷史測試用例數據進行預處理，包括：

將所述函數庫中的函數按照函數原始標識進行排序；