CN111506510A - 一种软件质量确定方法和相关装置 - Google Patents
一种软件质量确定方法和相关装置 Download PDFInfo
- Publication number
- CN111506510A CN111506510A CN202010316245.0A CN202010316245A CN111506510A CN 111506510 A CN111506510 A CN 111506510A CN 202010316245 A CN202010316245 A CN 202010316245A CN 111506510 A CN111506510 A CN 111506510A
- Authority
- CN
- China
- Prior art keywords
- quality
- target
- software
- nodes
- node
- 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.)
- Granted
Links
Images
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
- G06F11/3604—Software analysis for verifying properties of programs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请实施例公开了一种软件质量确定方法和相关装置,当需要确定目标软件的目标质量时,可以根据目标软件的用户行为数据提取与目标质量所对应特征维度的行为特征,并基于该行为特征生成节点图,节点图中的节点可以通过特征维度确定,节点间的连接关系体现出节点所标识行为特征间的跳转关系。由此,通过节点图可以量化的体现出用户在使用目标软件过程中,目标软件对用户行为的响应方式和时序关系,从而可以便利的通过节点图自动确定出目标软件对应目标质量的质量参数,而不再需要依靠人工手段鉴别质量,提高了质量确定效率和精度。
Description
技术领域
本申请涉及数据处理领域,特别是涉及一种软件质量确定方法和相关装置。
背景技术
用户可以通过使用终端设备中安装的各类软件,以获取相应的功能服务。例如用户可以通过打开外卖小程序下单买宵夜,也可以通过运行游戏应用程序进行游戏等。
每天新推出的软件层出不穷,质量良萎不齐,用户在安装、使用前仅能通过很有限的信息例如用户评价等了解新推出软件,但仍然难以避免体验到不符合预期的软件,甚至导致个人信息泄露等。
为此,各类软件平台开始对新推出软件进行质量评估,通过评估结果为用户提供参考。目前采用的质量评估的相关技术中,主要还是通过人工审核,例如通过专人使用待评估软件,基于使用过程查看到的内容确定待评估软件的具体质量。
人工审核的方式效率较低且成本高昂,难以满足目前的软件质量评估需求。
发明内容
为了解决上述技术问题,本申请提供了一种软件质量确定方法和相关装置,提高了确定软件质量的效率和精度。
本申请实施例公开了如下技术方案:
一方面,本申请实施例提供了一种软件质量确定方法,所述方法包括:
获取目标软件的用户行为数据;
根据待确定的目标质量,从所述用户行为数据提取所述目标质量所对应特征维度的行为特征;
根据所述行为特征生成对应所述目标软件的节点图;所述节点图包括具有连接关系的多个节点,所述多个节点是根据所述特征维度确定的,节点间的连接关系用于体现节点所标识行为特征间的跳转关系;
根据所述节点图确定所述目标软件对应所述目标质量的质量参数。
另一方面,本申请实施例提供了一种软件质量确定装置,所述装置包括获取单元、提取单元、生成单元和确定单元:
所述获取单元,用于获取目标软件的用户行为数据;
所述提取单元,用于根据待确定的目标质量,从所述用户行为数据提取所述目标质量所对应特征维度的行为特征;
所述生成单元,用于根据所述行为特征生成对应所述目标软件的节点图;所述节点图包括具有连接关系的多个节点,所述多个节点是根据所述特征维度确定的,节点间的连接关系用于体现节点所标识行为特征间的跳转关系;
所述确定单元,用于根据所述节点图确定所述目标软件对应所述目标质量的质量参数。
另一方面,本申请实施例提供了一种软件质量确定设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述方面所述的方法。
另一方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行上述方面所述的方法。
由上述技术方案可以看出,当需要确定目标软件的目标质量时,可以根据目标软件的用户行为数据提取与目标质量所对应特征维度的行为特征,并基于该行为特征生成节点图,节点图中的节点可以通过特征维度确定,节点间的连接关系体现出节点所标识行为特征间的跳转关系。由此,通过节点图可以量化的体现出用户在使用目标软件过程中,目标软件对用户行为的响应方式和时序关系,从而可以便利的通过节点图自动确定出目标软件对应目标质量的质量参数,而不再需要依靠人工手段鉴别质量,提高了质量确定效率和精度。
附图说明
为了更清楚地说明本申请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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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为本申请实施例提供的一种软件质量确定方法的应用场景示意图;
图2为本申请实施例提供的一种软件质量确定方法的流程示意图;
图3为本申请实施例提供的一种用户行为轨迹示意图;
图4为本申请实施例提供的一种节点图的结构示意图;
图5为本申请实施例提供的一种生成节点图的流程示意图;
图6为本申请实施例提供的一种利用图卷积模型确定目标软件目标质量的流程示意图;
图7为本申请实施例提供的另一种软件质量确定方法的流程示意图;
图8为本申请实施例提供的一种软件质量确定装置的结构示意图;
图9为本申请实施例提供的服务器的结构示意图;
图10为本申请实施例提供的终端设备的结构示意图。
具体实施方式
下面结合附图,对本申请的实施例进行描述。
为了提高确定软件质量的效率和精度,本申请实施例提供了一种软件质量确定方法和相关装置。
本申请实施例提供的软件质量确定方法是基于人工智能实现的,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在本申请实施例中,主要涉及人工智能软件技术包括上述机器学习/深度学习等方向。例如可以涉及机器学习(Machine learning,ML)中的深度学习(Deep Learning),包括各类人工神经网络(Artificial Neural Network,ANN)。
为了便于理解本申请的技术方案,下面结合实际应用场景对本申请实施例提供的软件质量确定方法进行介绍。
本申请提供的软件质量确定方法可以应用于具有数据处理能力的软件质量确定设备,如终端设备、服务器。其中,终端设备具体可以为智能手机、计算机、个人数字助理(Personal Digital Assistant,PDA)、平板电脑等;服务器具体可以为独立服务器,也可以为集群服务器。
在本申请实施例中,数据处理设备可以通过人工神经网络模型确定软件的质量。
该数据处理设备可以具备机器学习能力。机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络等技术。
本申请实施例提供的软件质量确定方法主要涉及对各类人工神经网络的应用。
参见图1,图1为本申请实施例提供的软件质量确定方法的应用场景示意图。为了描述方便,以服务器作为本申请实施例提供的软件质量确定方法的执行主体。在图1所示的应用场景中,包括服务器101和用户侧的终端设备102。其中,服务器101用于确定目标软件的质量。用户可以通过终端设备102使用目标软件。
在实际应用中,用户利用终端设备使用目标软件的过程中,终端设备可以针对用户使用目标软件的行为产生对应的用户行为数据,并将用户行为数据发送给服务器,以便服务器基于用户行为数据对目标软件的质量进行评估。
如图1所示,终端设备102针对用户A使用目标软件的行为,产生对应的A用户行为数据,并发送给服务器101,从而服务器101可以获取到来自终端设备102发送的A用户行为数据,并利用A用户行为数据对目标软件的质量进行评估。
由于用户行为数据包括不同特征维度的行为特征,因此,在实际应用中,可以根据待确定的目标质量,从用户行为数据中提取出目标质量所对应特征维度的行为特征。其中,目标质量标识了目标软件不同方面的质量,如图1所示,目标质量为业务质量。行为特征标识了针对目标质量所对应特征维度的用户行为数据。针对目标质量提取出的多个行为特征按照终端设备响应用户行为的时序关系构成带有方向的行为轨迹。
如图1所示,在评价目标软件的业务质量任务中,业务质量所对应特征维度可以包括功能类型、页面位置和持续时长,则从A用户行为数据中提取出业务质量所对应功能类型、页面位置和持续时长这三个特征维度的行为特征,包括:页面1、支付、分享、页面2、打开第五代超文本标记语言(Hyper Text Markup Language,HTML5/h5)页面和退出,从而可以得到带有时序方向的行为轨迹。行为轨迹标识了终端终端设备102按照时序关系响应用户使用目标软件的行为。
可以理解的是,对于传统的文本、图片等静态的软件,其产生的用户行为数据是同一种类型的,是规范的欧式结构,使用自然语言处理(Nature Language Processing,NLP)技术或者图像识别技术可以容易的确定出软件的质量。但是,对于动态的软件,其功能繁多、载体多样、内容多态、结构繁多,难以使用单一类技术对软件的质量进行识别。
对此,在本申请实施例中,可以根据上述提取的行为特征生成对应目标软件的节点图。也就是说,利用节点图将确定软件质量任务转化为节点图识别任务。其中,节点图以节点网络的形式对具有不同特征维度的用户行为数据进行了统一表示,即实现了使用单一技术对多种类型软件的质量进行识别的目的。
其中,节点图包括具有连接关系的多个节点。节点图中的多个节点是根据目标质量所对应特征维度确定的。在图1所示的应用场景中,可以根据功能类型和页面位置划分出多个节点,例如,节点n2表示用户在目标软件的页面1中使用分享功能,节点n3表示用户在目标软件的页面2中打开h5页面。
节点间的连接关系用于体现节点所标识行为特征间的跳转关系,在图1中,节点间的连接关系通过节点间带有箭头的连线进行表示。例如,图1中的节点n1与节点n2间带有箭头的连线表示A用户在使用目标软件过程中,在页面1中,由支付功能跳转到分享功能。节点图中的节点标识了终端设备102中的目标软件对用户行为的响应方式,节点图中的节点间的连接关系标识了终端设备102中的目标软件对用户行为的时序关系。即节点图通过节点和节点间的连接关系标识了用户使用目标软件的行为轨迹。
服务器101利用行为特征生成节点图后,可以利用人工智能技术对节点图进行识别,从而确定出目标软件对应目标质量的质量参数,该质量参数标识了目标软件质量的高低。
由于节点图量化的体现出用户使用软件过程中,目标软件对用户行为的响应方式(节点)和时序关系(连接关系),因此,在确定目标软件的目标质量任务中,可以利用节点图便利地确定出目标软件对应目标质量的质量参数,而不再需要依靠人工手段鉴别质量,提高了确定软件质量效率和精度。
参见图2,图2为本申请实施例提供的一种确定软件质量方法的流程示意图。在图2中,该方法包括以下步骤:
S201:获取目标软件的用户行为数据。
在实际应用中,服务器可以获取来自用户侧终端设备发送的针对目标软件的用户行为数据。其中,目标软件是指提供给用户使用的应用软件,包括但不限于:应用程序(Application,app)、小程序(Mini Program)等。例如,社交app、游戏小程序等。用户行为数据是指用户在使用目标软件过程中,目标软件响应用户行为产生的数据。
本申请实施例可以应用于针对小程序的质量确定场景中。小程序属于一种不需要安装下载即可使用的应用。不同的小程序在同一应用平台的框架承载下,提供给用户使用,例如用户可以通过某社交平台运行各类小程序,为用户便利的提供外卖、网购等服务。
由于小程序的特点是开发成本低、开发周期短,故小程序新推出的速度非常快,而且较小的开发投入成本导致小程序相对于应用程序等,质量的波动性更大,若放任大量低值小程序投入市场,会严重影响平台生态,为用户带来影响甚至损失,由此,针对小程序更具有快速确定质量的必要。
由于不同小程序运行在同一个应用平台的框架下,使得即使小程序在被用户使用过程中出现小程序间的来回跳转、调用等情况,平台也可以通过接口调用等方式获取到完整的跳转、调用信息,使得针对小程序的用户行为数据可以获取的更为完整,该用户行为数据能够清晰的体现出用户在使用作为目标软件的小程序时,该小程序的完整响应路径,从而为小程序的质量确定的准确性打下了坚实的基础。
进一步的,通过小程序间的跳转、调用关系,可以从一个角度体现出小程序间的实体关联,例如是否实际属于同一家公司、个人等。该关联可以应用于质量确定上(后续实施例中详述),也可以为其他数据处理任务提供处理依据等。
对于获取用户行为数据的过程,在一种可能的实现方式中,服务器可以获取历史时段内通过目标软件产生的用户行为数据。例如,服务器可以获取历史30天内,所有用户使用目标软件产生的用户行为数据。
历史时间段内的用户使用目标软件产生的用户行为数据,从时间维度上增大了用于分析目标软件质量的数据。由于用户行为数据标识了软件质量,因此,增大用户行为数据能够丰富对软件质量的体现,提高了对于软件质量的评估精度。
S202:根据待确定的目标质量,从所述用户行为数据提取所述目标质量所对应特征维度的行为特征。
在实际软件开发过程中,可能会出现业务低质(例如流量作弊、服务低质)、内容低质(例如垃圾广告、假新闻)等多种影响用户使用体验的低质量软件。对于软件质量的高低,可以从多个方面进行评估。例如,内容质量、业务质量等。
确定出针对目标软件的目标质量后,服务器可以从用户行为数据中提取出与目标质量所对应特征维度的行为特征。其中,不同的目标质量评估任务,其对应的特征维度不同。目标质量包括但不限于:业务质量和内容质量。行为特征标识了针对目标质量所对应特征维度的用户行为数据。针对目标质量提取出的多个行为特征按照目标软件响应用户行为的时序关系构成带有时序方向的行为轨迹。
例如,在确定目标软件的内容质量任务中,内容质量所对应的特征维度包括页面文本特征和页面图像特征。因此,服务器可以从用户行为数据中提取用户浏览目标软件的文本和用户浏览目标软件的图像,用于评估软件的内容质量。
若确定目标软件的目标质量为业务质量,在一种可能的实现方式中,业务质量所对应的特征维度包括:功能类型、页面位置和持续时长。则服务器可以根据业务质量,从用户行为数据提取行为特征。其中,行为特征包括用户行为涉及的功能类型、响应用户行为的软件界面和用户行为的持续时长。
针对图1所示的应用场景,若服务器获取到终端设备发送的A用户行为数据、B用户行为数据和C用户行为数据,从这些用户行为数据中提取业务质量所对应特征维度(功能类型和页面位置)的行为特征,提取出的多个行为特征生成带有时序关系的行为轨迹如图3所示。例如,对于B用户,服务器从B用户行为数据中提取到的行为特征包括:页面1、客服、分享、页面2、客服、页面1和退出。从图3所示的B用户的行为轨迹可知,B用户在使用目标软件的过程中,B用户首先打开了页面1,使用了客服功能和分享功能,然后,跳转到页面2中,继续使用了客服功能,最后,退出该目标软件。
由于通过特征维度所提取出的行为特征能够标识目标软件在响应用户操作时,所提供的与目标质量相关的内容、响应行为等,因此,在确定目标软件的目标质量任务中,可以利用行为特征对目标软件质量进行评估,减少了对与目标质量无关的用户行为数据的处理,提高了确定软件质量的效率和准确度。
S203:根据所述行为特征生成对应所述目标软件的节点图。
在实际应用中,服务器可以根据多个行为特征构成的带有时序方向的行为轨迹生成对应的节点图。如图4所示,将图3所示的A用户、B用户和C用户的行为轨迹转化为一张具有多个节点且节点间具有连接关系的节点图。其中,节点图中的多个节点是根据目标质量所对应特征维度确定的。在图4所示的节点图中,节点是根据功能类型和页面位置确定的。例如,节点x2表示用户在页面1中使用目标软件的客服功能,节点x6表示用户在页面2中使用目标软件的客服功能。
其中,节点间的连接关系用于体现节点所标识行为特征间的跳转关系。在图4中,节点间的连接关系是通过节点间带有箭头的有向线段进行表示的,用于标识用户在使用目标软件过程中,由一个行为跳转至另一个行为的过程。例如,节点x1与节点x2之间的有向线段表示,C用户在页面1中使用支付功能后跳转至使用客服功能。
上述利用行为生成节点图的过程,可以看作是将同一目标软件内所有用户对应的行为轨迹进行融合,得到一个有向带权图的过程。在实际应用中,节点间的连接关系还可以携带有权值信息,权值的大小标识了节点间跳转概率,用于表征不同节点之间的影响程度,该权值可以是综合行为特征确定的。例如,对于图4所示的节点x1、x2和x3,通过行为特征确定从x1跳转到x2的行为发生了8次,从x1跳转到x3的行为发生了2次,那么可以将x1跳转至节点x2的权值确定为0.8,表明用户使用支付功能后使用客服功能的概率为0.8,节点x2对节点x1的影响程度较大;将x1跳转至节点x3的权值设置为0.2,表明用户使用支付功能后使用分享功能的概率为0.2,节点x3对节点x1的影响程度较小。
可以理解的是,用户使用目标软件的使用时长从时间维度标识了软件质量高低。用户使用目标软件的持续时长较长,表明用户对软件的需求程度较大,目标软件的目标质量较高;用户使用目标软件的持续时长较短,表明用户对软件的需求程度较小,目标软件的目标质量较低。
同样的,在目标软件的业务质量确定任务中,针对节点图中的多个节点,在一种可能的实现方式中,可以根据功能类型和持续时长确定。
可以理解的是,针对目标软件,多用户使用该目标软件的持续时长可以看作是连续分布的。在划分节点的过程中,可以对用户行为的持续时长进行离散化处理,按照量化规则将一个时间段内的持续时长划分为一个节点。
例如,持续时长按照10分钟作为划分一个节点的量化标准,则持续时长每增加10分钟划分一个节点。若图1所示的A用户使用目标软件的持续时长为5分钟,B用户使用目标软件的持续时长是7分钟,C用户使用目标软件的持续时长是13分钟,则可以将A用户和B用户划分到节点m1中,节点m1表示用户使用目标软件的持续时长小于等于10分钟,将C用户划分到节点m2中,节点m2表示用户使用目标软件的持续时长大于10分钟,小于等于2分钟。
针对图4所示的节点图,其中包括的多个节点是按照功能类型和页面位置划分得到的,若再增加持续时长这一特征维度对节点进行划分,则可以再对图4中的节点再按用户行为的持续时长的聚类结果做进一步拆分。例如,节点x2再按用户行为的持续时长的聚类结果做进一步拆分,得到节点x21和x22,其中,x21表示用户在页面1中使用客服功能的持续时长在10分钟之内,x22表示用户在页面1中使用客服功能的持续时长为10分钟至20分钟。
由于按照用户行为的持续时长可以从时间维度对节点进行划分,因此,划分出的节点从时间的角度对用户行为数据进行了量化,丰富了节点图结构,利用该节点图对目标软件的目标质量进行评估,能够提高对于软件质量评估精度。可以理解的是,在实际应用中,节点图中的节点可以根据目标质量所对应的一个或者多个特征维度进行划分,在此不做任何限定。
S204:根据所述节点图确定所述目标软件对应所述目标质量的质量参数。
在实际应用中,服务器可以根据上述节点图确定出目标软件对应目标质量的质量参数。其中,质量参数的大小标识了目标软件对应目标质量的高低程度。质量参数大,表明目标软件对应目标质量高;质量参数小,表明目标软件对应目标质量低。
可以理解的是,在相同的目标质量确定任务中,不同的目标软件对应的节点图的结构存在差异。不同结构的节点图标识了不同软件对应目标质量的高低情况。如图5所示,针对业务质量确定任务,利用4个不同的软件对应的行为特征生成的节点图各不相同。根据软件对应的节点图结果可以看出,对于软件1,偏向页面之间的切换,业务质量较高;对于软件2,偏向跳向不同的软件,业务质量较低;对于软件3,偏向功能之间的切换,业务质量较高;对于软件4,偏向跳向相同的h5,业务质量较低。
对于节点图相同或相似的不同目标软件,表明不同目标软件的质量相近。例如,目标软件s1的节点图p1和目标软件s2对应的节点图p2相似,表明目标软件s1和目标软件s2的质量相近。针对节点图相同或相似的不同目标软件质量进行评估,利用不同节点图之间的特征相似性确定不同目标软件的质量,可以提高对于软件质量评估的效率以及精度。
在实际应用中,若目标软件s1与目标软件s2存在跳转关系,且目标软件s1被确定为低质软件,即目标软件s1为不良软件,则目标软件s2是低质的软件的可能性较大。因此,在确定目标软件s2的质量时,可以提高对于目标软件s2的关注程度,例如,增大对于目标软件s2的用户行为数据的提取粒度,增大对于目标软件s2节点图中节点的划分粒度等,以此提高对于目标软件s2质量的评估精度。上述实施例提供的软件质量确定方法,当需要确定目标软件的目标质量时,可以根据目标软件的用户行为数据提取与目标质量所对应特征维度的行为特征,并基于该行为特征生成节点图,节点图中的节点可以通过特征维度确定,节点间的连接关系体现出节点所标识行为特征间的跳转关系。由此,通过节点图可以量化的体现出用户在使用目标软件过程中,目标软件对用户行为的响应方式和时序关系,从而可以便利的通过节点图自动确定出目标软件对应目标质量的质量参数,而不再需要依靠人工手段鉴别质量,提高了质量确定效率和精度。
针对上述根据节点图确定目标软件对应目标质量的质量参数的过程,在一种可能的实现方式中,可以通过图卷积模型确定节点图对应的特征向量,然后,根据特征向量确定目标软件对应目标质量的质量参数。
其中,图卷积模型至少包括第i层卷积层和第j层卷积层,用于提取节点图的节点特征以及结构特征。图卷积模型可以是以下任意一种具有不同网络结构的模型:图注意力模型(Graph Attention Network,GAN)、结合采样算法和聚合器的图模型(Graph SAmpleand aggreGatE,Graph SAGE)、半监督图卷积神经网络模型(Semi-SupervisedClassification with Graph Convolutional Networks,SemiGCN)。在实际应用中,可以根据应用场景和应用需求设定图卷积模型的结构,在此不作任何限定。
在实际应用中,若第i层卷积层靠近输入层,则第i层卷积层的输出特征的分辨率高,包括更为细微的节点特征以及结构特征;第j层卷积层靠近输出层,则第j层卷积层的输出特征分辨率低,包括更为宏观的节点特征以及结构特征。特征向量是通过第i层卷积层的输出特征和第j层卷积层的输出特征确定的。特征向量包括了具有不同分辨率的节点特征以及结构特征,用于对软件质量进行评估。
如图6所示的图卷积模型包括2层卷积层,第1层卷积层的输出特征较第2层卷积层的输出特征的分辨率更高。特征向量是由第1层卷积层的输出特征和第2层卷积层的输出特征确定的。
由于特征向量是通过第i层卷积层的输出特征和第j层卷积层的输出特征确定的,即特征向量包括了具有不同分辨率的节点特征以及结构特征,因此,特征向量包括了清晰且全面的多分辨率的信息,利用特征向量确定目标软件的目标质量,能够提高对于软件质量的评估精度。
由于不同节点标识的信息量不同,因此,节点图中的不同节点具有不同的信息量。其中,信息量的多少标识了节点在节点图中的重要程度,也可以理解为节点对目标软件质量评估的影响程度。对于信息量较少的节点,其在节点图中的重要程度较低,对评估目标软件质量的影响较低。对于信息量较多的节点,其在节点图中的重要程度较高,对评估目标软件质量的影响较高。
在一种可能的实现方式中,可以在图卷积模型设置针对节点所包括信息量的注意力机制,在通过图卷积模型的每一层对节点图处理后,通过注意力机制更新多个节点分别对应的注意力参数。
其中,注意力参数的大小标识了节点所对应的重要程度。节点对应的注意力参数较大,表明该节点的重要程度较高;节点对应的注意力参数较小,表明该节点的重要程度较低。在实际应用中,图卷积模型在学习节点图的节点特征时,可以根据节点对应的注意力参数进行学习。对于注意力参数大的节点,模型对于该节点的特征学习程度大,关注程度大;对于注意力参数小的节点,模型对于该节点的特征学习程度小,关注程度小。
由于注意力参数标识了节点在节点图中的重要程度,因此,图卷积模型可以更多地学习重要程度大的节点的特征,更少地学习重要程度小的节点的特征,提高了利用模型确定软件质量的效率,同时,提高了对于软件质量的评估精度。
针对上述利用输出特征得到特征向量的过程,在一种可能的实现方式中,可以对第i层卷积层的输出特征进行池化处理得到第一池化结果,对第j层卷积层的输出特征进行池化处理得到第二池化结果,然后,通过第一池化结果和第二池化结果确定节点图对应的特征向量。
池化(Pooling)是卷积神经网络中的一个重要的概念,它实际上是一种形式的降采样。有多种不同形式的非线性池化函数,例如,最大池化(Max pooling)、平均池化(Average Pooling)。池化层可以不断地减小卷积层的输出特征的维度,因此,图卷积模型确定软件质量的过程中,参数的数量和计算量也会下降,这在一定程度上也防止了过拟合问题。
在一种可能的实现方式中,可以将节点图中注意力参数满足预设条件的节点进行池化处理。
在实际应用中,可以预先设置一个阈值,将节点对应的注意力参数与该阈值进行比较。若注意力参数大于阈值,表明节点包括的信息量较多,该节点对于目标软件的质量评估影响较小,可以将该节点保留,并用于后续的池化处理。若注意力参数小于阈值,表明节点包括的信息量较少,该节点对于目标软件的质量评估影响较大,在后续进行池化处理过程中不考虑该节点的节点特征。其中,池化处理可以采用加和池化(Sum Pooling)。也就是将注意力参数大于阈值的节点的特征综合在一起用于软件质量的评估,实现了topk的池化机制。其中,当k为1时,为最大池化;当k为节点图中所有节点数量时,为全局池化。
针对上述图卷积模型的训练过程,可以利用带有标签的节点图,采用梯度回传的方法,对预先建立的初始图卷积模型进行有监督训练,得到用于确定软件质量的图卷积模型。其中,标签用户标识节点图对应目标软件的目标质量。
可以理解的是,用于有监督训练方式的训练样本一般需要人工进行标记,效率较低。为了提高对于模型的训练效率,在一种可能的实现方式中,可以通过半监督方式对初始图卷积模型进行预训练,然后,将完成预训练的初始图卷积模型通过监督方式进行训练,得到图卷积模型。
由于用于半监督训练的训练样本包括带有标签的训练样本和不带有标签的训练样本,降低了对于带有标签的训练样本的需求,因此,采用半监督方式对图卷积模型进行训练可以减少人为标记工作,提高了对于模型的训练效率。
参见图7,图7为本申请实施例提供的另一种软件质量确定方法的流程示意图。为了便于理解,以服务器作为确定目标软件的业务质量的执行主体为例进行说明。其中,服务器中部署有训练好的图卷积模型。
针对目标软件,服务器可以采集一个月内所有用户对应的用户行为数据(S701),然后,从该用户行为数据中提取出业务质量所对应的特征维度(功能类型、页面位置和持续时长)的行为特征。服务器可以根据功能类型、页面位置和持续时长划分节点,并对节点进行离散化处理,并根据行为特征之间的时序关系生成具有连接关系的节点图(S702)。继而,服务器可以将该节点图作为图卷积模型的输入,对目标软件业务质量进行预测(S703)。其中,图卷积模型可以通过图神经网络框架(Deep Graph Library,DGL)实现。最后,通过图卷积模型输出得到目标软件对应业务质量的质量参数(S704)。
针对上文描述的软件质量确定方法,本申请实施例还提供了对应的软件质量确定装置。
参见图8,图8为本申请实施例提供的一种软件质量确定装置的结构示意图。如图8所示,该软件质量确定装置800包括获取单元801、提取单元802、生成单元803和确定单元804:
所述获取单元801,用于获取目标软件的用户行为数据;
所述提取单元802,用于根据待确定的目标质量,从所述用户行为数据提取所述目标质量所对应特征维度的行为特征;
所述生成单元803,用于根据所述行为特征生成对应所述目标软件的节点图;所述节点图包括具有连接关系的多个节点,所述多个节点是根据所述特征维度确定的,节点间的连接关系用于体现节点所标识行为特征间的跳转关系;
所述确定单元804,用于根据所述节点图确定所述目标软件对应所述目标质量的质量参数。
其中,所述目标质量为业务质量,所述业务质量对应的特征维度包括功能类型、页面位置和持续时长,所述提取单元802,用于:
根据所述业务质量,从所述用户行为数据提取行为特征,所述行为特征包括用户行为涉及的功能类型、响应所述用户行为的软件界面和所述用户行为的持续时长。
其中,所述多个节点是根据所述功能类型和持续时长确定的。
其中,所述确定单元804,用于:
通过图卷积模型确定所述节点图对应的特征向量;所述图卷积模型至少包括第i层卷积层和第j层卷积层,所述特征向量是通过第i层卷积层的输出特征和第j层卷积层的输出特征确定的;
根据所述特征向量确定所述目标软件对应所述目标质量的质量参数。
其中,所述图卷积模型设置有针对节点所包括信息量的注意力机制,在通过所述图卷积模型的每一层对所述节点图处理后,通过所述注意力机制更新所述多个节点分别对应的注意力参数,所述注意力参数用于标识所对应节点的重要程度。
其中,所述确定单元804,用于:
对第i层卷积层的输出特征进行池化处理得到第一池化结果,对第j层卷积层的输出特征进行池化处理得到第二池化结果;
通过所述第一池化结果和所述第二池化结果确定所述节点图对应的特征向量。
其中,所述池化处理涉及的节点为所述节点图中注意力参数满足预设条件的节点。
其中,所述图卷积模型通过如下方式训练得到:
通过半监督方式对初始图卷积模型进行预训练;
将完成预训练的初始图卷积模型通过监督方式进行训练,得到所述图卷积模型。
其中,所述用户数据包括历史时段内通过所述目标软件产生的用户行为数据。
上述实施例提供的软件质量确定装置,当需要确定目标软件的目标质量时,可以根据目标软件的用户行为数据提取与目标质量所对应特征维度的行为特征,并基于该行为特征生成节点图,节点图中的节点可以通过特征维度确定,节点间的连接关系体现出节点所标识行为特征间的跳转关系。由此,通过节点图可以量化的体现出用户在使用目标软件过程中,目标软件对用户行为的响应方式和时序关系,从而可以便利的通过节点图自动确定出目标软件对应目标质量的质量参数,而不再需要依靠人工手段鉴别质量,提高了质量确定效率和精度。
本申请实施例还提供了一种用于软件质量确定的服务器和终端设备,下面将从硬件实体化的角度对本申请实施例提供的用于软件质量确定的服务器和终端设备进行介绍。
参见图9,图9是本申请实施例提供的一种服务器结构示意图,该服务器1400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(centralprocessing units,CPU)1422(例如,一个或一个以上处理器)和存储器1432,一个或一个以上存储应用程序1442或数据1444的存储介质1430(例如一个或一个以上海量存储设备)。其中,存储器1432和存储介质1430可以是短暂存储或持久存储。存储在存储介质1430的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1422可以设置为与存储介质1430通信,在服务器1400上执行存储介质1430中的一系列指令操作。
服务器1400还可以包括一个或一个以上电源1426,一个或一个以上有线或无线网络接口1450,一个或一个以上输入输出接口1458,和/或,一个或一个以上操作***1441,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图9所示的服务器结构。
其中,CPU 1422用于执行如下步骤:
获取目标软件的用户行为数据;
根据待确定的目标质量,从所述用户行为数据提取所述目标质量所对应特征维度的行为特征;
根据所述行为特征生成对应所述目标软件的节点图;所述节点图包括具有连接关系的多个节点,所述多个节点是根据所述特征维度确定的,节点间的连接关系用于体现节点所标识行为特征间的跳转关系;
根据所述节点图确定所述目标软件对应所述目标质量的质量参数。
可选的,CPU 1422还可以执行本申请实施例中软件质量确定方法任一具体实现方式的方法步骤。
针对上文描述的软件质量确定方法,本申请实施例还提供了一种用于软件质量确定的终端设备,以使上述软件质量确定的方法在实际中实现以及应用。
参见图10,图10为本申请实施例提供的一种终端设备的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该终端设备可以为包括平板电脑、个人数字助理(英文全称:Personal DigitalAssistant,英文缩写:PDA)等任意终端设备:
图10示出的是与本申请实施例提供的终端相关的部分结构的框图。参考图10,该终端包括:射频(英文全称:Radio Frequency,英文缩写:RF)电路1510、存储器1520、输入单元1530、显示单元1540、传感器1550、音频电路1560、无线保真(英文全称:wirelessfidelity,英文缩写:WiFi)模块1570、处理器1580、以及电源1590等部件。本领域技术人员可以理解,图10中示出的平板电脑结构并不构成对平板电脑的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图10对平板电脑的各个构成部件进行具体的介绍:
存储器1520可用于存储软件程序以及模块,处理器1580通过运行存储在存储器1520的软件程序以及模块,从而实现终端的各种功能应用以及数据处理。存储器1520可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1520可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器1580是终端的控制中心,利用各种接口和线路连接整个平板电脑的各个部分,通过运行或执行存储在存储器1520内的软件程序和/或模块,以及调用存储在存储器1520内的数据,执行平板电脑的各种功能和处理数据,从而对平板电脑进行整体监控。可选的,处理器1580可包括一个或多个处理单元;优选的,处理器1580可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1580中。
在本申请实施例中,该终端所包括的存储器1520可以存储程序代码,并将所述程序代码传输给所述处理器。
该终端所包括的处理器1580可以根据所述程序代码中的指令执行上述实施例提供的软件质量确定方法。
本申请实施例还提供一种计算机可读存储介质,用于存储计算机程序,该计算机程序用于执行上述实施例提供的软件质量确定方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:read-only memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及***实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (15)
1.一种软件质量确定方法,其特征在于,所述方法包括:
获取目标软件的用户行为数据;
根据待确定的目标质量,从所述用户行为数据提取所述目标质量所对应特征维度的行为特征;
根据所述行为特征生成对应所述目标软件的节点图;所述节点图包括具有连接关系的多个节点,所述多个节点是根据所述特征维度确定的,节点间的连接关系用于体现节点所标识行为特征间的跳转关系;
根据所述节点图确定所述目标软件对应所述目标质量的质量参数。
2.根据权利要求1所述的方法,其特征在于,所述目标质量为业务质量,所述业务质量对应的特征维度包括功能类型、页面位置和持续时长,所述从所述用户行为数据提取所述目标质量所对应特征维度的行为特征,包括:
根据所述业务质量,从所述用户行为数据提取行为特征,所述行为特征包括用户行为涉及的功能类型、响应所述用户行为的软件界面和所述用户行为的持续时长。
3.根据权利要求2所述的方法,其特征在于,所述多个节点是根据所述功能类型和持续时长确定的。
4.根据权利要求1-3任意一项所述的方法,其特征在于,所述根据所述节点图确定所述目标软件对应所述目标质量的质量参数,包括:
通过图卷积模型确定所述节点图对应的特征向量;所述图卷积模型至少包括第i层卷积层和第j层卷积层,所述特征向量是通过第i层卷积层的输出特征和第j层卷积层的输出特征确定的;
根据所述特征向量确定所述目标软件对应所述目标质量的质量参数。
5.根据权利要求4所述的方法,其特征在于,所述图卷积模型设置有针对节点所包括信息量的注意力机制,在通过所述图卷积模型的每一层对所述节点图处理后,通过所述注意力机制更新所述多个节点分别对应的注意力参数,所述注意力参数用于标识所对应节点的重要程度。
6.根据权利要求5所述的方法,其特征在于,所述根据所述节点图,通过图卷积模型确定所述节点图对应的特征向量,包括:
对第i层卷积层的输出特征进行池化处理得到第一池化结果,对第j层卷积层的输出特征进行池化处理得到第二池化结果;
通过所述第一池化结果和所述第二池化结果确定所述节点图对应的特征向量。
7.根据权利要求6所述的方法,其特征在于,所述池化处理涉及的节点为所述节点图中注意力参数满足预设条件的节点。
8.根据权利要求4所述的方法,其特征在于,所述图卷积模型通过如下方式训练得到:
通过半监督方式对初始图卷积模型进行预训练;
将完成预训练的初始图卷积模型通过监督方式进行训练,得到所述图卷积模型。
9.根据权利要求1所述的方法,其特征在于,所述用户数据包括历史时段内通过所述目标软件产生的用户行为数据。
10.一种软件质量确定装置,其特征在于,所述装置包括获取单元、提取单元、生成单元和确定单元:
所述获取单元,用于获取目标软件的用户行为数据;
所述提取单元,用于根据待确定的目标质量,从所述用户行为数据提取所述目标质量所对应特征维度的行为特征;
所述生成单元,用于根据所述行为特征生成对应所述目标软件的节点图;所述节点图包括具有连接关系的多个节点,所述多个节点是根据所述特征维度确定的,节点间的连接关系用于体现节点所标识行为特征间的跳转关系;
所述确定单元,用于根据所述节点图确定所述目标软件对应所述目标质量的质量参数。
11.根据权利要求10所述的装置,其特征在于,所述目标质量为业务质量,所述业务质量对应的特征维度包括功能类型、页面位置和持续时长,所述提取单元,用于:
根据所述业务质量,从所述用户行为数据提取行为特征,所述行为特征包括用户行为涉及的功能类型、响应所述用户行为的软件界面和所述用户行为的持续时长。
12.根据权利要求11所述的装置,其特征在于,所述多个节点是根据所述功能类型和持续时长确定的。
13.根据权利要求10-12任意一项所述的装置,其特征在于,所述确定单元,用于:
通过图卷积模型确定所述节点图对应的特征向量;所述图卷积模型至少包括第i层卷积层和第j层卷积层,所述特征向量是通过第i层卷积层的输出特征和第j层卷积层的输出特征确定的;
根据所述特征向量确定所述目标软件对应所述目标质量的质量参数。
14.一种软件质量确定设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-9任意一项所述的方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010316245.0A CN111506510B (zh) | 2020-04-21 | 2020-04-21 | 一种软件质量确定方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010316245.0A CN111506510B (zh) | 2020-04-21 | 2020-04-21 | 一种软件质量确定方法和相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111506510A true CN111506510A (zh) | 2020-08-07 |
CN111506510B CN111506510B (zh) | 2023-08-08 |
Family
ID=71864872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010316245.0A Active CN111506510B (zh) | 2020-04-21 | 2020-04-21 | 一种软件质量确定方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111506510B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117380A (zh) * | 2018-09-28 | 2019-01-01 | 中国科学院长春光学精密机械与物理研究所 | 一种软件质量评价方法、装置、设备及可读存储介质 |
US20190005657A1 (en) * | 2017-06-30 | 2019-01-03 | Baidu Online Network Technology (Beijing) Co., Ltd . | Multiple targets-tracking method and apparatus, device and storage medium |
CN110929882A (zh) * | 2019-11-21 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的特征向量计算方法和相关装置 |
-
2020
- 2020-04-21 CN CN202010316245.0A patent/CN111506510B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190005657A1 (en) * | 2017-06-30 | 2019-01-03 | Baidu Online Network Technology (Beijing) Co., Ltd . | Multiple targets-tracking method and apparatus, device and storage medium |
CN109117380A (zh) * | 2018-09-28 | 2019-01-01 | 中国科学院长春光学精密机械与物理研究所 | 一种软件质量评价方法、装置、设备及可读存储介质 |
CN110929882A (zh) * | 2019-11-21 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的特征向量计算方法和相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111506510B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111406267B (zh) | 使用性能预测神经网络的神经架构搜索 | |
CN110366734B (zh) | 优化神经网络架构 | |
CN113518250B (zh) | 一种多媒体数据处理方法、装置、设备及可读存储介质 | |
CN109388674B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN111753076B (zh) | 对话方法、装置、电子设备及可读存储介质 | |
CN112633962A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN113392317A (zh) | 一种标签配置方法、装置、设备及存储介质 | |
CN112131578A (zh) | 攻击信息预测模型的训练方法、装置、电子设备及存储介质 | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN111310918B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN116362359A (zh) | 基于ai大数据的用户满意度预测方法、装置、设备及介质 | |
CN117726884B (zh) | 对象类别识别模型的训练方法、对象类别识别方法及装置 | |
CN115131052A (zh) | 一种数据处理方法、计算机设备和存储介质 | |
CN113766633A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
Shen et al. | Efficient deep structure learning for resource-limited IoT devices | |
CN111291868A (zh) | 网络模型训练方法、装置、设备及计算机可读存储介质 | |
CN113255231B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN114092162B (zh) | 推荐质量确定方法、推荐质量确定模型的训练方法及装置 | |
CN114548382B (zh) | 迁移训练方法、装置、设备、存储介质及程序产品 | |
CN111667028B (zh) | 一种可靠负样本确定方法和相关装置 | |
CN111506510B (zh) | 一种软件质量确定方法和相关装置 | |
Seifeddine et al. | Dynamic hierarchical neural network offloading in IoT edge networks | |
CN112818084B (zh) | 信息交互方法、相关装置、设备及计算机可读介质 | |
CN115700550A (zh) | 标签分类模型训练和对象筛选方法、设备及存储介质 | |
CN113457167A (zh) | 用户分类网络的训练方法、用户分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40029273 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |