CN115033478A - 测试资源推送方法、装置、设备、存储介质和程序产品 - Google Patents
测试资源推送方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN115033478A CN115033478A CN202210662147.1A CN202210662147A CN115033478A CN 115033478 A CN115033478 A CN 115033478A CN 202210662147 A CN202210662147 A CN 202210662147A CN 115033478 A CN115033478 A CN 115033478A
- Authority
- CN
- China
- Prior art keywords
- difficulty
- test
- version
- service module
- historical
- 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.)
- Pending
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
- G06F11/3668—Software testing
- G06F11/3672—Test management
-
- 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
- G06F11/368—Test management for test version control, e.g. updating test cases to a new software version
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种测试资源推送方法、装置、设备、存储介质和程序产品。本申请涉及人工智能技术领域。所述方法包括:获取目标业务模块的新版本测试内容,并提取新版本测试内容的第一特征信息;将第一特征信息输入版本难易度预测模型,得到新版本测试内容的版本难易度预测结果,其中,版本难易度预测模型是根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练后得到的模型;根据版本难易度预测结果,向终端推送新版本测试内容的测试资源。采用本方法能够快速匹配到与新版本测试内容相关的测试资源,提高测试效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种测试资源推送方法、装置、设备、存储介质和程序产品。
背景技术
随着银行业全面开展数字化转型工作,银行业务功能上线需求不断增大,业务模块的版本更新迭代速度加快。因此,基于业务模块的版本更新,需对业务模块的新版本内容进行测试。
但在金融机构普遍存在多套测试环境信息的情况下,测试环境信息错综复杂,且在全流程、全链路的测试环境下,测试人员确定业务版本的新版本测试内容后,需从存量的测试资源中选择与新版本测试内容相关的测试资源。
因测试人员无法快速匹配到与新版本测试内容相关的测试资源,导致测试人员无法快速开展测试工作,进而降低测试效率。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高测试效率的测试资源推送方法、装置、设备、存储介质和程序产品。
第一方面,本申请提供了一种测试资源推送方法。所述方法包括:
获取目标业务模块的新版本测试内容,并提取所述新版本测试内容的第一特征信息;
将所述第一特征信息输入版本难易度预测模型,得到所述新版本测试内容的版本难易度预测结果,其中,所述版本难易度预测模型是根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练后得到的模型;
根据所述版本难易度预测结果,向终端推送所述新版本测试内容的测试资源。
在其中一个实施例中,所述方法还包括:
根据预设的各所述业务模块之间的依赖关系,确定所述目标业务模块的关联业务模块,其中,所述关联业务模块为所述目标业务模块所依赖的业务模块。
在其中一个实施例中,所述根据所述版本难易度预测结果,向终端推送所述新版本测试内容的测试资源,包括:
根据所述版本难易度预测结果,确定所述新版本测试内容的难易度程度;
若所述难易度程度为第一难易度程度,则向所述终端推送所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息;
其中,所述测试资源包括所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息。
在其中一个实施例中,所述方法还包括:
若所述难易度程度为第二难易度程度,则向所述终端推送所述目标业务模块的历史资产信息和历史测试环境信息;
其中,所述测试资源包括所述目标业务模块的历史资产信息和历史测试环境信息。
在其中一个实施例中,所述方法还包括:
若所述难易度程度为第三难易度程度,则向所述终端推送所述目标业务模块的历史测试环境信息;
其中,所述测试资源包括所述目标业务模块的历史测试环境信息。
在其中一个实施例中,所述方法还包括:
获取各所述业务模块的历史测试资产信息和难易度标签;
根据各所述业务模块的历史测试资产信息和难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
在其中一个实施例中,所述根据各所述业务模块的历史测试资产信息和难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型,包括:
提取各所述业务模块的历史测试资产信息的第二特征信息;
将所述第二特征信息输入所述初始版本难易度预测模型,得到难易度预测结果;
根据所述难易度预测结果和所述难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
第二方面,本申请还提供了一种测试资源推送装置。所述装置包括:
第一获取模块,用于获取目标业务模块的新版本测试内容,并提取所述新版本测试内容的第一特征信息;
预测模块,用于将所述第一特征信息输入版本难易度预测模型,得到所述新版本测试内容的版本难易度预测结果,其中,所述版本难易度预测模型是根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练后得到的模型;
推送模块,用于根据所述版本难易度预测结果,向终端推送所述新版本测试内容的测试资源。
在其中一个实施例中,所述装置,还包括:
确定模块,用于根据预设的各所述业务模块之间的依赖关系,确定所述目标业务模块的关联业务模块,其中,所述关联业务模块为所述目标业务模块所依赖的业务模块。
在其中一个实施例中,所述推送模块,包括:
确定单元,用于根据所述版本难易度预测结果,确定所述新版本测试内容的难易度程度;
第一推送单元,用于若所述难易度程度为第一难易度程度,则向所述终端推送所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息;其中,所述测试资源包括所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息。
在其中一个实施例中,所述推送模块,还包括:
第二推送单元,用于若所述难易度程度为第二难易度程度,则向所述终端推送所述目标业务模块的历史资产信息和历史测试环境信息;其中,所述测试资源包括所述目标业务模块的历史资产信息和历史测试环境信息。
在其中一个实施例中,所述推送模块,还包括:
第三推送单元,用于若所述难易度程度为第三难易度程度,则向所述终端推送所述目标业务模块的历史测试环境信息;其中,所述测试资源包括所述目标业务模块的历史测试环境信息。
在其中一个实施例中,所述装置,还包括:
第二获取模块,用于获取各所述业务模块的历史测试资产信息和难易度标签;
训练模块,用于根据各所述业务模块的历史测试资产信息和难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
在其中一个实施例中,所述训练模块,具体用于提取各所述业务模块的历史测试资产信息的第二特征信息;将所述第二特征信息输入所述初始版本难易度预测模型,得到难易度预测结果;根据所述难易度预测结果和所述难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一方法的步骤。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中任一方法的步骤。
上述测试资源推送方法、装置、设备、存储介质和程序产品,获取目标业务模块的新版本测试内容,并提取新版本测试内容的第一特征信息,将第一特征信息输入根据各业务模块的历史测试资产信息和难易度标签对初始版本难易度预测模型进行训练后得到的版本难易度预测模型,得到新版本测试内容的版本难易度预测结果,进而根据版本难易度预测结果,向终端推送新版本测试内容的测试资源。由于本申请实施例能够根据版本难易度预测结果,向终端推送新版本测试内容的测试资源,从而测试人员能够快速匹配到与新版本测试内容相关的测试资源,进而快速开展测试工作,以提高测试效率。
附图说明
图1为本申请实施例提供的一种测试资源推送方法的应用环境图;
图2为本申请实施例提供的一种测试资源推送方法的流程示意图;
图3为本申请实施例提供的另一种测试资源推送方法的流程示意图;
图4为本申请实施例提供的一种版本难易度预测模型预测方法的流程示意图;
图5为本申请实施例提供的另一种版本难易度预测模型预测方法的流程示意图;
图6为本申请实施例提供的一种测试资源推送装置的结构框图;
图7为本申请实施例提供的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
传统技术中,测试人员确定业务版本的新版本测试内容后,需从存量的测试资源中选择与新版本测试内容相关的测试资源。
然而由于测试人员对存量的测试资源不熟悉,容易导致花费大量时间去查找与新版本测试内容相关的测试资源,甚至很有可能会遗漏与新版本测试内容相关的测试资源,进而降低测试效率,且使测试资源无法得到最大化、合理化的利用。
为了解决上述技术问题,本申请实施例提供了一种测试资源推送方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,图2为本申请实施例提供的一种测试资源推送方法的流程示意图,以该方法应用于图1中的计算机设备为例进行说明,该方法包括以下步骤:
S201,获取目标业务模块的新版本测试内容,并提取新版本测试内容的第一特征信息。
本实施例中,新版本测试内容可以为交易链路修改,也可以为数据传输链路修改,也可以为表结构修改。
其中,获取目标业务模块的新版本测试内容后,通过提取新版本测试内容包含的功能点、改造点、交易链路长短及所需测试人员数量等第一特征信息,对非结构性的新版本测试内容进行结构化处理。
需要说明的是:新版本测试内容并不直接参与判断新版本测试内容的难易度,而是根据新版本测试内容包含的第一特征信息判断新版本测试内容的难易度。
S202,将第一特征信息输入版本难易度预测模型,得到新版本测试内容的版本难易度预测结果,其中,版本难易度预测模型是根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练后得到的模型。
本实施例中,版本难易度预测模型是基于机器学习模型算法,通过各业务模块的历史测试资产信息和难易度标签对初始版本难易度预测模型进行训练后得到的模型。
其中,机器学习模型算法可以是基于梯度提升树的集成学习框架LightGBM,也可以是基于多次学习提升算法精度的迭代算法AdaBoost。
S203,根据版本难易度预测结果,向终端推送新版本测试内容的测试资源。测试资源例如包括测试环境信息和测试资产信息,其中,测试环境信息例如包括业务模板名、业务模板负责人、业务模板所属专业线和业务模板相关服务器信息。
其中,向终端推送的形式包括但不限于邮件、语音信号、提醒事项弹窗。
上述测试资源推送方法、装置、设备、存储介质和程序产品,通过获取目标业务模块的新版本测试内容,并提取新版本测试内容的第一特征信息,将第一特征信息输入根据各业务模块的历史测试资产信息和难易度标签对初始版本难易度预测模型进行训练后得到的版本难易度预测模型,得到新版本测试内容的版本难易度预测结果,进而根据版本难易度预测结果,向终端推送新版本测试内容的测试资源。由于本申请实施例能够根据版本难易度预测结果,向终端推送新版本测试内容的测试资源,从而测试人员能够快速匹配到与新版本测试内容相关的测试资源,进而快速开展测试工作,以提高测试效率。
可选的,在上述实施例的基础上,还可以包括如下实现方式:
根据预设的各业务模块之间的依赖关系,确定目标业务模块的关联业务模块,其中,关联业务模块为目标业务模块所依赖的业务模块。
本实施例中,将业务模块作为实体,以预设的各业务模块之间的依赖关系作为实体之间的关系,对各业务模块进行关联,并将各业务模块关联后的结果以图结构的方式存储,进而根据此图结构确定目标业务模块的关联业务模块。
其中,各业务模块之间的依赖关系包括但不限于交易链路依赖、服务依赖、数据依赖和交互依赖。
本实施例提供的方法,根据预设的各业务模块之间的依赖关系,确定目标业务模块的关联业务模块,从而实现基于关联业务模块,快速且精准的向目标业务模块对应的新版本测试内容推送测试资源,简化测试准备工作,提高测试效率。
参照图3,图3是本申请实施例提供的另一种测试资源推送方法的流程示意图,本实施例涉及的是如何根据版本难易度预测结果,向终端推送新版本测试内容的测试资源的一种可选的实现方式,在上述实施例的基础上,上述的S203具体包括如下步骤:
S301、根据版本难易度预测结果,确定新版本测试内容的难易度程度。
其中,例如,版本难易度预测结果可以为0、1、2,版本难易度预测结果为0时表示新版本测试内容的难易度程度为低等难易度,版本难易度预测结果为1时表示新版本测试内容的难易度程度为中等难易度,版本难易度预测结果为2时表示新版本测试内容的难易度程度为高等难易度。
若本步骤中得到的版本难易度预测结果是2,则可以确定新版本测试内容的难易度程度为高等难易度;若版本难易度预测结果是1,则新版本测试内容的难易程度为中等难易度;若版本难易度预测结果是0,则新版本测试内容的难易程度为低等难易度。
S302、若难易度程度为第一难易度程度,则向终端推送目标业务模块和关联业务模块的历史测试资产信息和历史测试环境信息;其中,测试资源包括目标业务模块和关联业务模块的历史测试资产信息和历史测试环境信息。
需要说明的是:测试人员需要定期扫描进行查漏补缺历史测试环境信息,实时感知终端历史测试环境信息的更新,保证终端历史测试环境信息的全覆盖。
其中,例如,若第一难易度程度为高等难易度,则向终端推送目标业务模块和关联业务模块的历史测试资产信息和历史测试环境信息。
本实施例提供的方法,通过根据版本难易度预测结果,确定新版本测试内容的难易度程度,从而当难易度程度为第一难易度程度时,主动向终端推送目标业务模块和关联业务模块的历史测试资产信息和历史测试环境信息,使测试资源能够合理化、最大化的使用,并简化测试准备流程,提高测试效率。
可选的,在上述实施例的基础上,上述的S203、根据版本难易度预测结果,向终端推送新版本测试内容的测试资源,还可以通过如下方式实现:
若难易度程度为第二难易度程度,则向终端推送目标业务模块的历史资产信息和历史测试环境信息;其中,测试资源包括目标业务模块的历史资产信息和历史测试环境信息。需要说明的是,第二难易度程度低于第一难易度程度。
其中,例如,若第二难易度程度为中等难易度,则向终端推送目标业务模块的历史资产信息和历史测试环境信息。
本实施例提供的方法,当难易度程度为第二难易度程度时,主动向终端推送目标业务模块的历史资产信息和历史测试环境信息,以实现根据不同难易程度,测试人员能够针对性、快速的匹配到与新版本测试内容相关的测试资源,简化测试准备工作,方便测试工作的迅速开展与推进,提高测试效率。
可选的,在上述实施例的基础上,上述的S203、根据版本难易度预测结果,向终端推送新版本测试内容的测试资源,还可以通过如下方式实现:
若难易度程度为第三难易度程度,则向终端推送目标业务模块的历史测试环境信息;其中,测试资源包括目标业务模块的历史测试环境信息。
其中,例如,若第三难易度程度为低等难易度,向终端推送目标业务模块的历史测试环境信息。第三难易度程度低于第二难易度程度。
本实施例提供的方法,当难易度程度为第三难易度程度时,主动向终端推送目标业务模块的历史测试环境信息,极大程度地简化测试准备流程,快速定位测试重点,避免过度打扰。
参照图4,图4是本申请实施例提供的一种版本难易度预测模型预测方法的流程示意图。本实施例涉及的是如何根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练的一种可选的实现方式。在上述实施例的基础上,该方法还包括如下步骤:
S401、获取各业务模块的历史测试资产信息和难易度标签。
本实施例中,历史测试资产信息是在历史测试工作中,测试人员基于测试项目须导入测试案例,并做风险、关注点及覆盖率等分析记录的资产信息,且历史测试资产信息存储在数据库中。同时,历史测试资产信息包括但不限于项目信息、评审材料、测试案例、测试指引、测试方案、测试缺陷和生产问题。
S402、根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练,得到版本难易度预测模型。
其中,难易度标签可以基于专家经验,评估业务模块的版本难易度后得到的评估结果设置。
本实施例提供的方法,通过获取各业务模块的历史测试资产信息和难易度标签,并根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练,得到版本难易度预测模型,以实现利用版本难易度预测模型预测得到版本难易度预测结果,进而根据版本难易度预测结果,向终端推送新版本测试内容的测试资源,从而测试人员无需通过手工的方式从存量的测试资源中选择与新版本测试内容相关的测试资源,进而简化测试准备工作,提高测试效率。
参照图5,图5是本申请实施例提供的另一种版本难易度预测模型预测方法的流程示意图。本实施例涉及的是如何根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练的一种可选的实现方式。在上述实施例的基础上,该方法还包括如下步骤:
S501、提取各业务模块的历史测试资产信息的第二特征信息。
本实施例中,通过提取各业务模块的历史测试资产信息包含的功能点、改造点、交易链路长短及所需测试人员数量等第二特征信息,对非结构性的历史测试资产信息进行结构化处理。
S502、将第二特征信息输入初始版本难易度预测模型,得到难易度预测结果。
其中,将第二特征信息分为训练集和测试集,可以将训练集输入至初始版本难易度预测模型,得到难易度预测结果。
S503、根据难易度预测结果和难易度标签,对初始版本难易度预测模型进行训练,得到版本难易度预测模型。
其中,利用难易度预测结果和训练集对应的难易度标签,对初始版本难易度预测模型进行训练,得到版本难易度预测模型。
可选的,可以利用训练集对初始版本难易度预测模型进行训练,得到中间版本难易度预测模型,并将测试集输入中间版本难易度预测模型进行测试,得到测试集对应的难易度预测结果,利用测试集对应的难易度预测结果和测试集对应的难易度标签,对中间版本难易度预测模型进行优化,当迭代循环至模型的准确度无法进一步提升时,得到版本难易度预测模型。
本申请实施例提供的方法,通过提取各业务模块的历史测试资产信息的第二特征信息,并将第二特征信息输入初始版本难易度预测模型,得到难易度预测结果,从而根据难易度预测结果和难易度标签,对初始版本难易度预测模型进行训练,得到版本难易度预测模型,以提高版本难易度预测模型的预测准确度,使版本难易度预测结果更精确,从而根据版本难易度预测结果,能够快速精准的向终端推送新版本测试内容的测试资源,方便测试工作的迅速开展与快速推进,提高测试效率,使业务功能上线万无一失,保障生产***业务功能的连续性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的测试资源推送方法的测试资源推送装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个测试资源推送装置实施例中的具体限定可以参见上文中对于测试资源推送方法的限定,在此不再赘述。
参照图6,图6是本申请实施例提供的一种测试资源推送装置,该装置600包括:获取模块601、预测模块602和推送模块603,其中:
第一获取模块601,用于获取目标业务模块的新版本测试内容,并提取所述新版本测试内容的第一特征信息;
预测模块602,用于将所述第一特征信息输入版本难易度预测模型,得到所述新版本测试内容的版本难易度预测结果,其中,所述版本难易度预测模型是根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练后得到的模型;
推送模块603,用于根据所述版本难易度预测结果,向终端推送所述新版本测试内容的测试资源。
本实施例提供的测试资源推送装置,通过获取目标业务模块的新版本测试内容,并提取新版本测试内容的第一特征信息,将第一特征信息输入根据各业务模块的历史测试资产信息和难易度标签对初始版本难易度预测模型进行训练后得到的版本难易度预测模型,得到新版本测试内容的版本难易度预测结果,进而根据版本难易度预测结果,向终端推送新版本测试内容的测试资源。由于本申请实施例能够根据版本难易度预测结果,向终端推送新版本测试内容的测试资源,从而测试人员能够快速匹配到与新版本测试内容相关的测试资源,进而快速开展测试工作,以提高测试效率。
在一些实施例中,装置600还包括:
确定模块,用于根据预设的各所述业务模块之间的依赖关系,确定所述目标业务模块的关联业务模块,其中,所述关联业务模块为所述目标业务模块所依赖的业务模块。
在一些实施例中,推送模块603,包括:
确定单元,用于根据所述版本难易度预测结果,确定所述新版本测试内容的难易度程度;
第一推送单元,用于若所述难易度程度为第一难易度程度,则向所述终端推送所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息;其中,所述测试资源包括所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息。
在一些实施例中,推送模块603,还包括:
第二推送单元,用于若所述难易度程度为第二难易度程度,则向所述终端推送所述目标业务模块的历史资产信息和历史测试环境信息;其中,所述测试资源包括所述目标业务模块的历史资产信息和历史测试环境信息。
在一些实施例中,推送模块603,还包括:
第三推送单元,用于若所述难易度程度为第三难易度程度,则向所述终端推送所述目标业务模块的历史测试环境信息;其中,所述测试资源包括所述目标业务模块的历史测试环境信息。
在一些实施例中,装置600还包括:
第二获取模块,用于获取各所述业务模块的历史测试资产信息和难易度标签;
训练模块,用于根据各所述业务模块的历史测试资产信息和难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
在一些实施例中,训练模块,具体用于提取各所述业务模块的历史测试资产信息的第二特征信息;将所述第二特征信息输入所述初始版本难易度预测模型,得到难易度预测结果;根据所述难易度预测结果和所述难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
上述测试资源推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储新版本测试内容的测试资源。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种测试资源推送方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标业务模块的新版本测试内容,并提取所述新版本测试内容的第一特征信息;
将所述第一特征信息输入版本难易度预测模型,得到所述新版本测试内容的版本难易度预测结果,其中,所述版本难易度预测模型是根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练后得到的模型;
根据所述版本难易度预测结果,向终端推送所述新版本测试内容的测试资源。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设的各所述业务模块之间的依赖关系,确定所述目标业务模块的关联业务模块,其中,所述关联业务模块为所述目标业务模块所依赖的业务模块。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述版本难易度预测结果,确定所述新版本测试内容的难易度程度;
若所述难易度程度为第一难易度程度,则向所述终端推送所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息;
其中,所述测试资源包括所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若所述难易度程度为第二难易度程度,则向所述终端推送所述目标业务模块的历史资产信息和历史测试环境信息;
其中,所述测试资源包括所述目标业务模块的历史资产信息和历史测试环境信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若所述难易度程度为第三难易度程度,则向所述终端推送所述目标业务模块的历史测试环境信息;
其中,所述测试资源包括所述目标业务模块的历史测试环境信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取各所述业务模块的历史测试资产信息和难易度标签;
根据各所述业务模块的历史测试资产信息和难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
提取各所述业务模块的历史测试资产信息的第二特征信息;
将所述第二特征信息输入所述初始版本难易度预测模型,得到难易度预测结果;
根据所述难易度预测结果和所述难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标业务模块的新版本测试内容,并提取所述新版本测试内容的第一特征信息;
将所述第一特征信息输入版本难易度预测模型,得到所述新版本测试内容的版本难易度预测结果,其中,所述版本难易度预测模型是根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练后得到的模型;
根据所述版本难易度预测结果,向终端推送所述新版本测试内容的测试资源。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预设的各所述业务模块之间的依赖关系,确定所述目标业务模块的关联业务模块,其中,所述关联业务模块为所述目标业务模块所依赖的业务模块。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述版本难易度预测结果,确定所述新版本测试内容的难易度程度;
若所述难易度程度为第一难易度程度,则向所述终端推送所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息;
其中,所述测试资源包括所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述难易度程度为第二难易度程度,则向所述终端推送所述目标业务模块的历史资产信息和历史测试环境信息;
其中,所述测试资源包括所述目标业务模块的历史资产信息和历史测试环境信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述难易度程度为第三难易度程度,则向所述终端推送所述目标业务模块的历史测试环境信息;
其中,所述测试资源包括所述目标业务模块的历史测试环境信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取各所述业务模块的历史测试资产信息和难易度标签;
根据各所述业务模块的历史测试资产信息和难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
提取各所述业务模块的历史测试资产信息的第二特征信息;
将所述第二特征信息输入所述初始版本难易度预测模型,得到难易度预测结果;
根据所述难易度预测结果和所述难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标业务模块的新版本测试内容,并提取所述新版本测试内容的第一特征信息;
将所述第一特征信息输入版本难易度预测模型,得到所述新版本测试内容的版本难易度预测结果,其中,所述版本难易度预测模型是根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练后得到的模型;
根据所述版本难易度预测结果,向终端推送所述新版本测试内容的测试资源。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预设的各所述业务模块之间的依赖关系,确定所述目标业务模块的关联业务模块,其中,所述关联业务模块为所述目标业务模块所依赖的业务模块。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述版本难易度预测结果,确定所述新版本测试内容的难易度程度;
若所述难易度程度为第一难易度程度,则向所述终端推送所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息;
其中,所述测试资源包括所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述难易度程度为第二难易度程度,则向所述终端推送所述目标业务模块的历史资产信息和历史测试环境信息;
其中,所述测试资源包括所述目标业务模块的历史资产信息和历史测试环境信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述难易度程度为第三难易度程度,则向所述终端推送所述目标业务模块的历史测试环境信息;
其中,所述测试资源包括所述目标业务模块的历史测试环境信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取各所述业务模块的历史测试资产信息和难易度标签;
根据各所述业务模块的历史测试资产信息和难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
提取各所述业务模块的历史测试资产信息的第二特征信息;
将所述第二特征信息输入所述初始版本难易度预测模型,得到难易度预测结果;
根据所述难易度预测结果和所述难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种测试资源推送方法,其特征在于,所述方法包括:
获取目标业务模块的新版本测试内容,并提取所述新版本测试内容的第一特征信息;
将所述第一特征信息输入版本难易度预测模型,得到所述新版本测试内容的版本难易度预测结果,其中,所述版本难易度预测模型是根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练后得到的模型;
根据所述版本难易度预测结果,向终端推送所述新版本测试内容的测试资源。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预设的各所述业务模块之间的依赖关系,确定所述目标业务模块的关联业务模块,其中,所述关联业务模块为所述目标业务模块所依赖的业务模块。
3.根据权利要求2所述的方法,其特征在于,所述根据所述版本难易度预测结果,向终端推送所述新版本测试内容的测试资源,包括:
根据所述版本难易度预测结果,确定所述新版本测试内容的难易度程度;
若所述难易度程度为第一难易度程度,则向所述终端推送所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息;
其中,所述测试资源包括所述目标业务模块和所述关联业务模块的历史测试资产信息和历史测试环境信息。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述难易度程度为第二难易度程度,则向所述终端推送所述目标业务模块的历史资产信息和历史测试环境信息;
其中,所述测试资源包括所述目标业务模块的历史资产信息和历史测试环境信息。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述难易度程度为第三难易度程度,则向所述终端推送所述目标业务模块的历史测试环境信息;
其中,所述测试资源包括所述目标业务模块的历史测试环境信息。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
获取各所述业务模块的历史测试资产信息和难易度标签;
根据各所述业务模块的历史测试资产信息和难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
7.根据权利要求6所述的方法,其特征在于,所述根据各所述业务模块的历史测试资产信息和难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型,包括:
提取各所述业务模块的历史测试资产信息的第二特征信息;
将所述第二特征信息输入所述初始版本难易度预测模型,得到难易度预测结果;
根据所述难易度预测结果和所述难易度标签,对所述初始版本难易度预测模型进行训练,得到所述版本难易度预测模型。
8.一种测试资源推送装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标业务模块的新版本测试内容,并提取所述新版本测试内容的第一特征信息;
预测模块,用于将所述第一特征信息输入版本难易度预测模型,得到所述新版本测试内容的版本难易度预测结果,其中,所述版本难易度预测模型是根据各业务模块的历史测试资产信息和难易度标签,对初始版本难易度预测模型进行训练后得到的模型;
推送模块,用于根据所述版本难易度预测结果,向终端推送所述新版本测试内容的测试资源。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210662147.1A CN115033478A (zh) | 2022-06-13 | 2022-06-13 | 测试资源推送方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210662147.1A CN115033478A (zh) | 2022-06-13 | 2022-06-13 | 测试资源推送方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115033478A true CN115033478A (zh) | 2022-09-09 |
Family
ID=83124812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210662147.1A Pending CN115033478A (zh) | 2022-06-13 | 2022-06-13 | 测试资源推送方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115033478A (zh) |
-
2022
- 2022-06-13 CN CN202210662147.1A patent/CN115033478A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10692017B2 (en) | Systems and methods for predictive document coding using continuous active machine learning | |
US20210103858A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
CN113822440A (zh) | 用于确定机器学习样本的特征重要性的方法及*** | |
CN116757297A (zh) | 用于选择机器学习样本的特征的方法及*** | |
CN116882520A (zh) | 针对预定预测问题的预测方法及*** | |
CN112990281A (zh) | 异常投标识别模型训练方法、异常投标识别方法及装置 | |
CN115630221A (zh) | 终端应用界面展示数据处理方法、装置及计算机设备 | |
CN117522519A (zh) | 产品推荐方法、装置、设备、存储介质和程序产品 | |
RU2715024C1 (ru) | Способ отладки обученной рекуррентной нейронной сети | |
CN117251777A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
US20150170068A1 (en) | Determining analysis recommendations based on data analysis context | |
CN115033478A (zh) | 测试资源推送方法、装置、设备、存储介质和程序产品 | |
CN114968725A (zh) | 任务依赖关系校正方法、装置、计算机设备及存储介质 | |
CN114496139A (zh) | 电子病历的质控方法、装置、设备、***及可读介质 | |
CN114297052A (zh) | 测试数据生成方法及装置 | |
CN112069807A (zh) | 文本数据的主题提取方法、装置、计算机设备及存储介质 | |
CN112860652A (zh) | 作业状态预测方法、装置和电子设备 | |
CN112905743A (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
CN111506742A (zh) | 多元关系知识库构建方法和*** | |
US20230297880A1 (en) | Cognitive advisory agent | |
US20240062051A1 (en) | Hierarchical data labeling for machine learning using semi-supervised multi-level labeling framework | |
US20240152933A1 (en) | Automatic mapping of a question or compliance controls associated with a compliance standard to compliance controls associated with another compliance standard | |
US20140316851A1 (en) | Predicting customer receptivity for commercial engagement | |
CN117436484A (zh) | 图像识别模型构建、装置、计算机设备和存储介质 | |
CN114064935A (zh) | 信息图谱构建方法、装置、设备、存储介质和程序产品 |
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 |