CN113778894A - 测试用例的构建方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能领域，公开了一种测试用例的构建方法、装置、设备及存储介质。所述方法包括：根据待测试产品的类型，从测试标准数据库中获取多个测试标准标签，并对其进行分类，得到多个行业关键词；根据待测试产品的原始数据，生成至少一个业务关键词；根据行业关键词和业务关键词，从测试标准数据库中获取多个初始测试用例，并对每个初始测试用例进行测试标准检测，得到多个候选测试用例；对原始测试用例和候选测试用例进行归一化处理后构建目标训练数据集；调用预设的语言模型，并基于测试标准标签，预测目标测试用例。本发明结合机器学习预测产品的标准测试用例，从而提升测试场景的覆盖率，进而提升测试的准确性。

Description

测试用例的构建方法、装置、设备及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种测试用例的构建方法、装置、设备及存储介质。

背景技术

测试用例的构建是实现自动化测试的重要技术手段，通常由测试工程师根据产品的业务场景，采用等价类划分法、边界值分析法等方法进行测试用例的设计，并基于测试用例对产品进行测试，从而实现各种可能的异常业务场景的测试覆盖，提升软件产品的质量。

现有测试用例的构建方法由人工根据产品的业务场景设计测试用例，在这些测试用例中可能没有覆盖到部分的异常场景，导致测试结果的准确率较低。

发明内容

本发明的主要目的在于解决现有测试用例的构建方法准确性低的问题。

本发明第一方面提供了一种测试用例的构建方法，包括：

根据待测试产品的类型，从预设的测试标准库中获取多个测试标准标签，以及按照预设的行业类别，对所述测试标准标签进行分类，得到多个行业关键词，其中，每类测试标准标签对应一个行业关键词；

根据所述待测试产品的原始数据，生成业务关键词集，其中，所述待测试产品的原始数据包括需求数据和多个原始测试用例，所述业务关键词集中包括至少一个业务关键词；

根据所述行业关键词和所述业务关键词集中的业务关键词，从所述测试标准库中获取多个初始测试用例，并对每个初始测试用例进行测试标准检测，得到多个候选测试用例，其中，所述候选测试用例为检测合格的初始测试用例；

基于所述原始测试用例和所述候选测试用例，构建初始训练数据集，并对所述初始训练数据集中的每条测试用例进行归一化处理，得到目标训练数据集；

调用预设的语言模型，并基于所述测试标准标签，预测所述目标训练数据集中包含的目标测试用例，得到多个目标测试用例，其中，所述目标测试用例与所述测试标准标签之间的匹配概率大于预设的阈值。

可选的，在本发明第一方面的第一种实现方式中，所述根据所述待测试产品的原始数据，生成业务关键词包括：

基于预设的分词工具，对所述待测试产品的原始数据进行分词处理，得到包含多个分词的目标数据；

对所述包含多个分词的目标数据进行分词统计，得到分词频率分布，其中，所述分词频率分布中包括每个分词对应的初始频率值，所述初始频率值用于每个分词在目标数据中的出现次数；

根据所述分词频率分布，确定业务关键词，其中，所述业务关键词为目标频率值对应的分词，所述目标频率值为大于预设阈值。

可选的，在本发明第一方面的第二种实现方式中，在所述根据所述待测试产品的原始数据，生成业务关键词集之后，还包括：

接收用户输入的审批指令，并根据所述审批指令，对所述业务关键词集中的业务关键词进行标识，以及根据标识的结果，确定审批合格的目标业务关键词；

基于预设的关键词拓展工具，对所述目标业务关键词进行处理，得到扩展业务关键词，并将所述拓展业务关键词添加至所述业务关键词集中。

可选的，在本发明第一方面的第三种实现方式中，所述对每个初始测试用例进行测试标准检测，得到多个候选测试用例包括：

根据所述行业关键词，对所述初始测试用例进行分类，得到多种测试规则，其中，每种测试规则中包括多个初始测试用例，每种测试规则对应至少一个行业关键词；

基于所述测试标准标签对应的测试标准内容，对每种测试规则中的测试用例进行校验，并根据校验结果，确定多个候选测试用例。

可选的，在本发明第一方面的第四种实现方式中，所述调用预设的语言模型，并基于所述测试标准标签，预测所述目标训练数据集中包含的目标测试用例，得到多个目标测试用例包括：

调用预设的预测模型中的多层翻译网络，对所述目标训练数据集中的每条测试用例进行编码，得到每条训练数据对应的有效字向量；

基于每条训练数据对应的有效字向量，计算所述目标训练数据集中的每条测试用例与所述测试标准标签之间的匹配概率，得到多分类匹配概率分布；

从所述多分类匹配概率分布中筛选出匹配概率大于预设阈值的测试用例，得到目标测试用例。

可选的，在本发明第一方面的第五种实现方式中，在所述调用预设的预测模型中的多层翻译网络，对所述目标训练数据集中的每条测试用例进行编码，得到每条训练数据对应的有效字向量之后，在所述基于每条训练数据对应的有效字向量，计算所述目标训练数据集中的每条测试用例与所述测试标准标签之间的匹配概率，得到多分类匹配概率分布之前还包括：

调用所述预测模型中的嵌入层网络，对每条训练数据对应的有效字向量进行卷积，得到低维且稠密的文本向量。

可选的，在本发明第一方面的第六种实现方式中，在所述基于每条训练数据对应的有效字向量，计算所述目标训练数据集中的每条测试用例与所述测试标准标签之间的匹配概率，得到多分类匹配概率分布之后，在所述从所述多分类匹配概率分布中筛选出匹配概率大于预设阈值的测试用例，得到目标测试用例之前，还包括：

根据预设的损失函数，计算所述多分类匹配概率分布对应的损失值；

基于所述多分类匹配概率分布对应的损失值，对所述多分类匹配概率分布进行更新。

本发明第二方面提供了一种测试用例的构建装置，包括：

行业关键字生成模块，用于根据待测试产品的类型，从预设的测试标准库中获取多个测试标准标签，以及按照预设的行业类别，对所述测试标准标签进行分类，得到多个行业关键词，其中，每类测试标准标签对应一个行业关键词；

业务关键词生成模块，用于根据所述待测试产品的原始数据，生成业务关键词，其中，所述待测试产品的原始数据包括需求数据和多个原始测试用例；

标准检测模块，用于根据所述行业关键词和所述业务关键词，从所述测试标准库中获取多个初始测试用例，并对每个初始测试用例进行测试标准检测，得到多个候选测试用例，其中，所述候选测试用例为检测合格的初始测试用例；

数据预处理模块，用于基于所述原始测试用例和所述候选测试用例，构建初始训练数据集，并对所述初始训练数据集中的每条测试用例进行归一化处理，得到目标训练数据集；

模型预测模块，用于调用预设的语言模型，并基于所述测试标准标签，预测所述目标训练数据集中包含的目标测试用例，得到多个目标测试用例，其中，所述目标测试用例与所述测试标准标签之间的匹配概率大于预设的阈值。

可选的，在本发明第二方面的第一种实现方式中，所述业务关键词生成模块具体包括：

分词单元，用于基于预设的分词工具，对所述待测试产品的原始数据进行分词处理，得到包含多个分词的目标数据；

统计单元，用于对所述包含多个分词的目标数据进行分词统计，得到分词频率分布，其中，所述分词频率分布中包括每个分词对应的初始频率值，所述初始频率值用于表示每个分词在目标数据中的出现次数；

构建单元，用于根据所述分词频率分布，确定至少一个业务关键词，并根据所述业务关键词，构建业务关键词集，其中，所述业务关键词为大于预设阈值的初始频率值所对应的分词。

可选的，在本发明第二方面的第二种实现方式中，所述业务关键词生成模块具体包括：

分词单元，用于基于预设的分词工具，对所述待测试产品的原始数据进行分词处理，得到包含多个分词的目标数据；

统计单元，用于对所述包含多个分词的目标数据进行分词统计，得到分词频率分布，其中，所述分词频率分布中包括每个分词对应的初始频率值，所述初始频率值用于表示每个分词在目标数据中的出现次数；

构建单元，用于根据所述分词频率分布，确定至少一个业务关键词，并根据所述业务关键词，构建业务关键词集，其中，所述业务关键词为大于预设阈值的初始频率值所对应的分词；

审批单元，用于接收用户输入的审批指令，并根据所述审批指令，对所述业务关键词集中的每个业务关键词进行标识，以及根据标识的结果，确定审批合格的目标业务关键词；

拓展单元，用于基于预设的关键词拓展工具，对所述目标业务关键词进行处理，得到扩展业务关键词，并将所述拓展业务关键词添加至所述业务关键词集中。

可选的，在本发明第二方面的第三种实现方式中，所述标准检测模块具体包括：

获取单元，用于根据所述行业关键词和所述业务关键词，获取多个初始测试用例；

分类单元，用于根据所述行业关键词，对所述初始测试用例进行分类，得到多种测试规则，其中，每种测试规则中包括多个初始测试用例，每种测试规则对应至少一个行业关键词；

校验单元，用于基于所述测试标准标签对应的测试标准内容，对每种测试规则中的测试用例进行校验，并根据校验结果，确定多个候选测试用例。

可选的，在本发明第二方面的第四种实现方式中，所述模型预测模块具体包括：

编码单元，用于调用预设的预测模型中的多层翻译网络，对所述目标训练数据集中的每条测试用例进行编码，得到每条训练数据对应的有效字向量；

计算单元，用于基于每条训练数据对应的有效字向量，计算所述目标训练数据集中的每条测试用例与所述测试标准标签之间的匹配概率，得到多分类匹配概率分布；

筛选单元，用于从所述多分类匹配概率分布中筛选出匹配概率大于预设阈值的测试用例，得到目标测试用例。

可选的，在本发明第二方面的第五种实现方式中，所述模型预测模块具体包括：

编码单元，用于调用预设的预测模型中的多层翻译网络，对所述目标训练数据集中的每条测试用例进行编码，得到每条训练数据对应的有效字向量；

卷积单元，用于调用所述预测模型中的嵌入层网络，对每条训练数据对应的有效字向量进行卷积，得到低维且稠密的文本向量；

计算单元，用于基于每条训练数据对应的有效字向量，计算所述目标训练数据集中的每条测试用例与所述测试标准标签之间的匹配概率，得到多分类匹配概率分布；

筛选单元，用于从所述多分类匹配概率分布中筛选出匹配概率大于预设阈值的测试用例，得到目标测试用例。

可选的，在本发明第二方面的第六种实现方式中，所述模型预测模块具体包括：

编码单元，用于调用预设的预测模型中的多层翻译网络，对所述目标训练数据集中的每条测试用例进行编码，得到每条训练数据对应的有效字向量；

计算单元，用于基于每条训练数据对应的有效字向量，计算所述目标训练数据集中的每条测试用例与所述测试标准标签之间的匹配概率，得到多分类匹配概率分布；

损失值计算单元，用于根据预设的损失函数，计算所述多分类匹配概率分布对应的损失值；

更新单元，用于基于所述多分类匹配概率分布对应的损失值，对所述多分类匹配概率分布进行更新；

筛选单元，用于从所述多分类匹配概率分布中筛选出匹配概率大于预设阈值的测试用例，得到目标测试用例。

本发明第三方面提供了一种测试用例的构建设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述测试用例的构建设备执行上述的测试用例的构建方法。

本发明的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的测试用例的构建方法。

本发明提供的技术方案中，通过行业关键词和待测试产品的业务关键词，匹配相关测试用例，从而获取到既能满足业务需求，又能满足行业测试标准的测试用例。同时，本发明结合机器学习，将待测试产品的原始测试用例、爬取到的候选测试用例整合为产品的标准测试用例，从而提升测试场景的覆盖率，进而提升测试的准确性。

附图说明

图1为本发明实施例中测试用例的构建方法的第一个实施例示意图；

图2为本发明实施例中测试用例的构建方法的第二个实施例示意图；

图3为本发明实施例中测试用例的构建方法的第三个实施例示意图；

图4为本发明实施例中测试用例的构建方法的第四个实施例示意图；

图5为本发明实施例中测试用例的构建装置的一个实施例示意图；

图6为本发明实施例中测试用例的构建装置的另一个实施例示意图；

图7为本发明实施例中测试用例的构建设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种测试用例的构建方法、装置、设备及存储介质，其测试准确性更高。

本发明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”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请中的实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，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***。

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、机器人技术、生物识别技术、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。

服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中测试用例的构建方法的一个实施例包括：

101、根据待测试产品的类型，从预设的测试标准库中获取多个测试标准标签，以及按照预设的行业类别，对测试标准标签进行分类，得到多个行业关键词，其中，每类测试标准标签对应一个行业关键词；

可以理解的是，测试标准数据库为测试行业认证的技术论坛或资源站对应的数据库，该测试标准数据库中包括不同行业对应的测试标准(即测试标准标签)，例如服务类软件的容量测试、网络测试、DIFF测试等，App软件的兼容性测试等。服务器首先根据待测试产品的类型(如App测试)，查找到对应的测试标准标签，例如兼容性测试、页面异常测试、负载测试等，然后按照这些测试标准标签对应的好评率、来源等维度对其进行爬取，例如仅爬取好评率在[60％，80％]区间的测试标准标签。当爬取到待测试产品对应的多个测试标准标签后，服务器按照不同的测试行业类别，对测试标准标签进行分类，得到多个行业关键词，例如异常测试、网络测试等。

102、根据待测试产品的原始数据，生成业务关键词集，其中，待测试产品的原始数据包括需求数据和多个原始测试用例，业务关键词集中包括至少一个业务关键词；

可以理解的是，待测试产品的原始数据包括其产品需求信息和由测试工程师按照预设的测试规则(例如等价类划分法、边界值划分法)设计的测试用例。服务器将原始数据中出现频率最高的词语作为业务关键词，例如业务关键词为“支付”。

103、根据行业关键词和业务关键词集中的业务关键词，从测试标准库中获取多个初始测试用例，并对每个初始测试用例进行测试标准检测，得到多个候选测试用例，其中，候选测试用例为检测合格的初始测试用例；

可以理解的是，测试标准数据库中还包括不同行业对应的初始测试用例，测试时使用的测试用例的质量决定了最终的测试效果，而测试标准数据库中的初始测试用例为严格按照测试标准(包括测试用到的数据、测试环境、测试规则)设计的测试用例，其质量较为优良，且受业内认可。服务器将该行业关键词和业务关键词作为数据匹配条件，并通过对应数据库查询语句，从该测试标准数据库中获取对应的初始测试用例，然后对获取到的每个初始测试用例进行检测，判断其是否符合测试行业标准(即测试标准标签对应的内容)，并将其中符合测试行业标准的初始测试用例作为候选测试用例。

104、基于原始测试用例和候选测试用例，构建初始训练数据集，并对初始训练数据集中的每条测试用例进行归一化处理，得到目标训练数据集；

可以理解的是，初始训练数据集中包括多条原始测试用例和多条候选测试用例，其中，原始测试用例为测试工程师根据当前待测试产品设计的测试用例，而候选测试用例为符合测试行业标准和业务需求的测试用例。本实施例中，采用工程学函数对测试用例进行归一化处理，例如采用matlab(数学软件)中mapminmax函数进行数据的最大最小归一化处理，将测试用例中的数据均映射到[-1,1]区间内，从而减少数据之间的离散程度，减少模型处理时的计算量。

105、调用预设的语言模型，并基于测试标准标签，预测目标训练数据集中包含的目标测试用例，得到多个目标测试用例，其中，目标测试用例与测试标准标签之间的匹配概率大于预设的阈值。

可以理解的是，该语言模型可以采用Bert模型、N-gram模型等，服务器对该语言模型进行初始化后，将测试标准标签和目标训练数据集输入至该语言模型中，首先通过该语言模型的输入层，对输入的数据进行特征提取，得到对应的特征向量，其次，通过该语言模型的隐含层，对特征向量进行函数激活，最后，通过该语言模型的输出层，计算目标训练数据集中的每条测试用例与测试标准标签之间匹配度，并将其中匹配度大于预设的阈值的测试用例输出，从而得到场景覆盖率更高的通用测试用例。

本实施例中，通过行业关键词和待测试产品的业务关键词，匹配相关测试用例，从而获取到既能满足业务需求，又能满足行业测试标准的测试用例。同时，本发明结合机器学习，将待测试产品的原始测试用例、爬取到的候选测试用例整合为产品的标准测试用例，从而提升测试场景的覆盖率，进而提升测试的准确性。

参阅图2，本发明实施例中测试用例的构建方法的第二个实施例包括：

201、根据待测试产品的类型，从预设的测试标准库中获取多个测试标准标签，以及按照预设的行业类别，对测试标准标签进行分类，得到多个行业关键词，其中，每类测试标准标签对应一个行业关键词；

其中，步骤201与上述步骤101的执行步骤类似，具体此处不再赘述。

202、基于预设的分词工具，对待测试产品的原始数据进行分词处理，得到包含多个分词的目标数据，其中，待测试产品的原始数据包括需求数据和多个原始测试用例；

可以理解的是，分词工具可采用Jieba、SnowNLP等工具，本实施例中并不作限定，服务器将原始数据输入分词工具中进行处理，从而将每句话划分为多个不同的词语，例如“弱网的情况下，微信支付失败”被划分为“弱网|的|情况|下|微信|支付|失败”，中间以“|”将每个词进行分割。

203、对包含多个分词的目标数据进行分词统计，得到分词频率分布，其中，分词频率分布中包括每个分词对应的初始频率值，初始频率值用于表示每个分词在目标数据中的出现次数；

可以理解的是，分词频率分布即统计分词处理后的原始数据中每个分词出现的次数(初始频率值)，例如分词频率分布T＝[微信：10，支付：65，弱网：3]。

204、根据分词频率分布，确定至少一个业务关键词，并根据业务关键词，构建业务关键词集，其中，业务关键词为大于预设阈值的初始频率值所对应的分词；

可以理解的是，服务器将分词频率分布中初始频率值大于预设阈值的分词确定为业务关键词，例如预设阈值为30，分词频率分布T＝[微信：10，支付：65，弱网：3]，则业务关键词为“支付”。

205、根据行业关键词和业务关键词集中的业务关键词，从测试标准库中获取多个初始测试用例，并对每个初始测试用例进行测试标准检测，得到多个候选测试用例，其中，候选测试用例为检测合格的初始测试用例；

206、基于原始测试用例和候选测试用例，构建初始训练数据集，并对初始训练数据集中的每条测试用例进行归一化处理，得到目标训练数据集；

207、调用预设的语言模型，并基于测试标准标签，预测目标训练数据集中包含的目标测试用例，得到多个目标测试用例，其中，目标测试用例与测试标准标签之间的匹配概率大于预设的阈值。

其中，步骤205-207与上述步骤103-105的执行步骤类似，具体此处不再赘述。

本实施例中，详细描述了业务关键词的生成过程，通过对原始数据进行分词后统计每个词的出现频率，并将其中出现频率最高的分词作为业务关键词，从而准确获取业务关键词。

参阅图3，本发明实施例中测试用例的构建方法的第三个实施例包括：

301、根据待测试产品的类型，从预设的测试标准库中获取多个测试标准标签，以及按照预设的行业类别，对测试标准标签进行分类，得到多个行业关键词，其中，每类测试标准标签对应一个行业关键词；

302、根据待测试产品的原始数据，生成业务关键词集，其中，待测试产品的原始数据包括需求数据和多个原始测试用例，业务关键词集中包括至少一个业务关键词；

303、根据行业关键词和业务关键词集中的业务关键词，从测试标准库中获取多个初始测试用例，并根据行业关键词，对初始测试用例进行分类，得到多种测试规则，其中，每种测试规则中包括多个初始测试用例，每种测试规则对应至少一个行业关键词；

可以理解的是，每个初始测试用例中均包括测试目标、测试环境、输入数据、测试步骤、预期结果、测试脚本等，而一种测试规则对应多个测试用例，即包括不同的测试目标，不同的测试环境，不同的输入数据等等；且每种测试规则对应至少一个行业关键词，例如网络测试规则中的一个测试用例为“弱网的情况下，微信支付失败”，其对应的业务关键词即为“微信支付”，行业关键词为“弱网”。

304、基于测试标准标签对应的测试标准内容，对每种测试规则中的测试用例进行校验，并根据校验结果，确定多个候选测试用例，其中，候选测试用例为检测合格的初始测试用例；

可以理解的是，该测试标准内容即为真实的测试结果，而每种测试规则中的测试用例即一种假设的测试结果，服务器根据该真实结果，从而判断假设结果的正确性，若测试用例中的描述符合真实结果(正确)，则在数据库中为该测试用例添加相应的数据标识，服务器获取到该包含该数据标识的测试用例，将其确定为候选测试用例。

305、基于原始测试用例和候选测试用例，构建初始训练数据集，并对初始训练数据集中的每条测试用例进行归一化处理，得到目标训练数据集；

306、调用预设的语言模型，并基于测试标准标签，预测目标训练数据集中包含的目标测试用例，得到多个目标测试用例，其中，目标测试用例与测试标准标签之间的匹配概率大于预设的阈值。

其中，步骤306与上述步骤104的执行步骤类似，具体此处不再赘述。

本实施例中，详细描述测试标准检测的过程，通过从测试标准库中获取多个测试用例，将其分类为多种测试规则，并校验每种测试规则是否符合行业测试标准，从而得到符合行业测试标准的测试用例。

参阅图4，本发明实施例中测试用例的构建方法的第四个实施例包括：

401、根据待测试产品的类型，从预设的测试标准库中获取多个测试标准标签，以及按照预设的行业类别，对测试标准标签进行分类，得到多个行业关键词，其中，每类测试标准标签对应一个行业关键词；

402、根据待测试产品的原始数据，生成业务关键词集，其中，待测试产品的原始数据包括需求数据和多个原始测试用例，业务关键词集中包括至少一个业务关键词；

403、根据行业关键词和业务关键词集中的业务关键词，从测试标准库中获取多个初始测试用例，并对每个初始测试用例进行测试标准检测，得到多个候选测试用例，其中，候选测试用例为检测合格的初始测试用例；

404、基于原始测试用例和候选测试用例，构建初始训练数据集，并对初始训练数据集中的每条测试用例进行归一化处理，得到目标训练数据集；

405、调用预设的预测模型中的多层翻译网络，对所述目标训练数据集中的每条测试用例进行编码，得到每条训练数据对应的有效字向量；

服务器通过调用该语言模型的多层翻译网络来对目标训练数据集中的每条测试用例进行编码，其中每层翻译网络中包括一个多头自注意力子网络以及一个前馈子网络，在多头自注意力子网络中以自注意力机制(self-attention)机制来学习词与词之间的关系，编码句子的下文，得到对应的句向量，其次，通过该前馈子网络对该句向量进行非线性变化，非线性变换即通过一个非线性函数来引入原句子中更多的信息，例如通过一个对数项函数，得到对应的有效字向量。

可选的，服务器还调用所述预测模型中的嵌入层网络，对每条训练数据对应的有效字向量进行卷积，得到低维且稠密的文本向量。可以理解的是，该嵌入层网络中至少包括一个1*1大小的卷积核，服务器通过该嵌入层网络对每条训练数据对应的有效字向量进行卷积处理，从而将其由离散的高维向量表示转换为低维的稠密向量，进而减少模型的计算量，提升处理速度。

406、基于每条训练数据对应的有效字向量，计算所述目标训练数据集中的每条测试用例与所述测试标准标签之间的匹配概率，得到多分类匹配概率分布；

可以理解的是，服务器将每条训练数据对应的有效字向量输入至语言模型的全连接网络中，在该网络中的一个线性层对每条测试用例的有效字向量求和后计算平均值，得到对应的平均向量，并基于预设的多分类器(如softmax)，对每条测试用例对应的平均向量进行处理，得到对应的初始多分类匹配概率分布，即用于表示每条测试用例与测试标准标签之间的匹配概率。

407、根据预设的损失函数，计算所述多分类匹配概率分布对应的损失值，并基于所述多分类匹配概率分布对应的损失值，对所述多分类匹配概率分布进行更新；

可以理解的是，损失函数可采用L1损失，损失值用于表示实际结果与理想结果之前的偏差，当损失值越小时，即表示实际结果越接近理想结果。进一步地，服务器采用随机梯度下降算法，对该语言模型的网络参数进行迭代更新，并在每次网络参数更新后，再次计算对应的初始多分类匹配概率分布及其对应的损失值，直至该损失值小于预设的阈值时，确定当前语言模型收敛，并将此时计算的初始多分类匹配概率分布作为目标多分类匹配概率分布，将该目标多分类匹配概率分布中匹配概率大于预设阈值的测试用例输出，得到场景覆盖率更高的通用测试用例。

408、从所述多分类匹配概率分布中筛选出匹配概率大于预设阈值的测试用例，得到目标测试用例，其中，目标测试用例与测试标准标签之间的匹配概率大于预设的阈值。

可以理解的是，预设阈值可由实际业务需求进行确定，其中，目标测试用例即既满足业务需求，又符合测试标准的测试用例，其测试场景覆盖全面，从而提升产品质量。

本实施例中，详细描述了模型预测目标测试用例的过程，通过对训练样本编码，从而提取特征，并基于特征将其分类以及每一类的匹配概率，以及将其中匹配概率最大的测试用例进行输出，通过将非结构的文本数据进行量化计算，进而提高预测的准确性。

上面对本发明实施例中测试用例的构建方法进行了描述，下面对本发明实施例中测试用例的构建装置进行描述，请参阅图5，本发明实施例中测试用例的构建装置的一个实施例包括：

行业关键词生成模块501，用于根据待测试产品的类型，从预设的测试标准库中获取多个测试标准标签，以及按照预设的行业类别，对所述测试标准标签进行分类，得到多个行业关键词，其中，每类测试标准标签对应一个行业关键词；

业务关键词生成模块502，用于根据所述待测试产品的原始数据，生成业务关键词集，其中，所述待测试产品的原始数据包括需求数据和多个原始测试用例，所述业务关键词集中包括至少一个业务关键词；

测试标准检测模块503，用于根据所述行业关键词和所述业务关键词集中的业务关键词，从所述测试标准库中获取多个初始测试用例，并对每个初始测试用例进行测试标准检测，得到多个候选测试用例，其中，所述候选测试用例为检测合格的初始测试用例；

训练数据集构建模块504，用于基于所述原始测试用例和所述候选测试用例，构建初始训练数据集，并对所述初始训练数据集中的每条测试用例进行归一化处理，得到目标训练数据集；

模型预测模块505，用于调用预设的语言模型，并基于所述测试标准标签，预测所述目标训练数据集中包含的目标测试用例，得到多个目标测试用例，其中，所述目标测试用例与所述测试标准标签之间的匹配概率大于预设的阈值。

本实施例中，通过行业关键词和待测试产品的业务关键词，匹配相关测试用例，从而获取到既能满足业务需求，又能满足行业测试标准的测试用例。同时，本发明结合机器学习，将待测试产品的原始测试用例、爬取到的候选测试用例整合为产品的标准测试用例，从而提升测试场景的覆盖率，进而提升测试的准确性。

参阅图6，本发明实施例中测试用例的构建装置的另一个实施例包括：

行业关键词生成模块501，用于根据待测试产品的类型，从预设的测试标准库中获取多个测试标准标签，以及按照预设的行业类别，对所述测试标准标签进行分类，得到多个行业关键词，其中，每类测试标准标签对应一个行业关键词；

业务关键词生成模块502，用于根据所述待测试产品的原始数据，生成业务关键词集，其中，所述待测试产品的原始数据包括需求数据和多个原始测试用例，所述业务关键词集中包括至少一个业务关键词；

测试标准检测模块503，用于根据所述行业关键词和所述业务关键词集中的业务关键词，从所述测试标准库中获取多个初始测试用例，并对每个初始测试用例进行测试标准检测，得到多个候选测试用例，其中，所述候选测试用例为检测合格的初始测试用例；

训练数据集构建模块504，用于基于所述原始测试用例和所述候选测试用例，构建初始训练数据集，并对所述初始训练数据集中的每条测试用例进行归一化处理，得到目标训练数据集；

模型预测模块505，用于调用预设的语言模型，并基于所述测试标准标签，预测所述目标训练数据集中包含的目标测试用例，得到多个目标测试用例，其中，所述目标测试用例与所述测试标准标签之间的匹配概率大于预设的阈值。

其中，所述业务关键词生成模块502具体包括：

分词单元5021，用于基于预设的分词工具，对所述待测试产品的原始数据进行分词处理，得到包含多个分词的目标数据；

统计单元5022，用于对所述包含多个分词的目标数据进行分词统计，得到分词频率分布，其中，所述分词频率分布中包括每个分词对应的初始频率值，所述初始频率值用于表示每个分词在目标数据中的出现次数；

构建单元5023，用于根据所述分词频率分布，确定至少一个业务关键词，并根据所述业务关键词，构建业务关键词集，其中，所述业务关键词为大于预设阈值的初始频率值所对应的分词。

其中，所述测试标准检测模块503具体包括：

获取单元5031，用于根据所述行业关键词和所述业务关键词，获取多个初始测试用例；

分类单元5032，用于根据所述行业关键词，对所述初始测试用例进行分类，得到多种测试规则，其中，每种测试规则中包括多个初始测试用例，每种测试规则对应至少一个行业关键词；

校验单元5033，用于基于所述测试标准标签对应的测试标准内容，对每种测试规则中的测试用例进行校验，并根据校验结果，确定多个候选测试用例。

其中，所述模型预测模块505具体包括：

编码单元5051，用于调用预设的预测模型中的多层翻译网络，对所述目标训练数据集中的每条测试用例进行编码，得到每条训练数据对应的有效字向量；

卷积单元5052，用于调用所述预测模型中的嵌入层网络，对每条训练数据对应的有效字向量进行卷积，得到低维且稠密的文本向量；

计算单元5053，用于基于每条训练数据对应的有效字向量，计算所述目标训练数据集中的每条测试用例与所述测试标准标签之间的匹配概率，得到多分类匹配概率分布；

筛选单元5054，用于从所述多分类匹配概率分布中筛选出匹配概率大于预设阈值的测试用例，得到目标测试用例。

本发明实施例中，模块化的设计让测试用例的构建装置各部位的硬件专注于某一功能的实现，最大化实现了硬件的性能，同时模块化的设计也降低了装置的模块之间的耦合性，更加方便维护。

上面图5和图6从模块化功能实体的角度对本发明实施例中的测试用例的构建装置进行详细描述，下面从硬件处理的角度对本发明实施例中测试用例的构建设备进行详细描述。

图7是本发明实施例提供的一种测试用例的构建设备的结构示意图，该测试用例的构建设备700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上处理器(central processing units，CPU)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730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测试用例的构建设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在测试用例的构建设备700上执行存储介质730中的一系列指令操作。

测试用例的构建设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作***731，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的测试用例的构建设备结构并不构成对测试用例的构建设备的限定，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。

本发明还提供一种测试用例的构建设备，所述测试用例的构建设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述测试用例的构建方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述测试用例的构建方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种测试用例的构建方法，其特征在于，所述测试用例的构建方法包括：

根据待测试产品的类型，从预设的测试标准库中获取多个测试标准标签，以及按照预设的行业类别，对所述测试标准标签进行分类，得到多个行业关键词，其中，每类测试标准标签对应一个行业关键词；

根据所述待测试产品的原始数据，生成业务关键词集，其中，所述待测试产品的原始数据包括需求数据和多个原始测试用例，所述业务关键词集中包括至少一个业务关键词；

根据所述行业关键词和所述业务关键词集中的业务关键词，从所述测试标准库中获取多个初始测试用例，并对每个初始测试用例进行测试标准检测，得到多个候选测试用例，其中，所述候选测试用例为检测合格的初始测试用例；

基于所述原始测试用例和所述候选测试用例，构建初始训练数据集，并对所述初始训练数据集中的每条测试用例进行归一化处理，得到目标训练数据集；

调用预设的语言模型，并基于所述测试标准标签，预测所述目标训练数据集中包含的目标测试用例，得到多个目标测试用例，其中，所述目标测试用例与所述测试标准标签之间的匹配概率大于预设的阈值。

2.根据权利要求1所述的测试用例的构建方法，其特征在于，所述根据所述待测试产品的原始数据，生成业务关键词集包括：

基于预设的分词工具，对所述待测试产品的原始数据进行分词处理，得到包含多个分词的目标数据；

对所述包含多个分词的目标数据进行分词统计，得到分词频率分布，其中，所述分词频率分布中包括每个分词对应的初始频率值，所述初始频率值用于表示每个分词在目标数据中的出现次数；

根据所述分词频率分布，确定至少一个业务关键词，并根据所述业务关键词，构建业务关键词集，其中，所述业务关键词为大于预设阈值的初始频率值所对应的分词。

3.根据权利要求2所述的测试用例的构建方法，其特征在于，在所述根据所述待测试产品的原始数据，生成业务关键词集之后，还包括：

接收用户输入的审批指令，并根据所述审批指令，对所述业务关键词集中的每个业务关键词进行标识，以及根据标识的结果，确定审批合格的目标业务关键词；

基于预设的关键词拓展工具，对所述目标业务关键词进行处理，得到扩展业务关键词，并将所述拓展业务关键词添加至所述业务关键词集中。

4.根据权利要求1所述的测试用例的构建方法，其特征在于，所述对每个初始测试用例进行测试标准检测，得到多个候选测试用例包括：

根据所述行业关键词，对所述初始测试用例进行分类，得到多种测试规则，其中，每种测试规则中包括多个初始测试用例，每种测试规则对应至少一个行业关键词；

基于所述测试标准标签对应的测试标准内容，对每种测试规则中的测试用例进行校验，并根据校验结果，确定多个候选测试用例。

5.根据权利要求1所述的测试用例的构建方法，其特征在于，所述调用预设的语言模型，并基于所述测试标准标签，预测所述目标训练数据集中包含的目标测试用例，得到多个目标测试用例包括：

调用预设的预测模型中的多层翻译网络，对所述目标训练数据集中的每条测试用例进行编码，得到每条训练数据对应的有效字向量；

基于每条训练数据对应的有效字向量，计算所述目标训练数据集中的每条测试用例与所述测试标准标签之间的匹配概率，得到多分类匹配概率分布；

从所述多分类匹配概率分布中筛选出匹配概率大于预设阈值的测试用例，得到目标测试用例。

6.根据权利要求5所述的测试用例的构建方法，其特征在于，在所述调用预设的预测模型中的多层翻译网络，对所述目标训练数据集中的每条测试用例进行编码，得到每条训练数据对应的有效字向量之后，在所述基于每条训练数据对应的有效字向量，计算所述目标训练数据集中的每条测试用例与所述测试标准标签之间的匹配概率，得到多分类匹配概率分布之前还包括：

调用所述预测模型中的嵌入层网络，对每条训练数据对应的有效字向量进行卷积，得到低维且稠密的文本向量。

7.根据权利要求1-6中任意一项所述的测试用例的构建方法，其特征在于，在所述基于每条训练数据对应的有效字向量，计算所述目标训练数据集中的每条测试用例与所述测试标准标签之间的匹配概率，得到多分类匹配概率分布之后，在所述从所述多分类匹配概率分布中筛选出匹配概率大于预设阈值的测试用例，得到目标测试用例之前，还包括：

根据预设的损失函数，计算所述多分类匹配概率分布对应的损失值；

基于所述多分类匹配概率分布对应的损失值，对所述多分类匹配概率分布进行更新。

8.一种测试用例的构建装置，其特征在于，所述测试用例的构建装置包括：

行业关键词生成模块，用于根据待测试产品的类型，从预设的测试标准库中获取多个测试标准标签，以及按照预设的行业类别，对所述测试标准标签进行分类，得到多个行业关键词，其中，每类测试标准标签对应一个行业关键词；

业务关键词生成模块，用于根据所述待测试产品的原始数据，生成业务关键词集，其中，所述待测试产品的原始数据包括需求数据和多个原始测试用例，所述业务关键词集中包括至少一个业务关键词；

测试标准检测模块，用于根据所述行业关键词和所述业务关键词集中的业务关键词，从所述测试标准库中获取多个初始测试用例，并对每个初始测试用例进行测试标准检测，得到多个候选测试用例，其中，所述候选测试用例为检测合格的初始测试用例；

训练数据集构建模块，用于基于所述原始测试用例和所述候选测试用例，构建初始训练数据集，并对所述初始训练数据集中的每条测试用例进行归一化处理，得到目标训练数据集；

模型预测模块，用于调用预设的语言模型，并基于所述测试标准标签，预测所述目标训练数据集中包含的目标测试用例，得到多个目标测试用例，其中，所述目标测试用例与所述测试标准标签之间的匹配概率大于预设的阈值。

9.一种测试用例的构建设备，其特征在于，所述测试用例的构建设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述测试用例的构建设备执行如权利要求1-7中任意一项所述的测试用例的构建方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的测试用例的构建方法。

Images