一种基于神经网络的测试用例生成方法技术

本公开的基于神经网络的测试用例生成方法，通过收集历史项目文档作为原始数据；将原始数据进行关键字提取和测试用例标签化处理，得到构建测试用例预测模型的训练数据集；将训练数据集输入到基于神经网络的测试用例预测模型中，输出预测测试用例；人工干预修正所述预测测试用例，并将修正后的预测测试用例作为训练数据集反向输入所述测试用例预测模型，对所述测试用例预测模型微调。解决了研发测试过程中测试人员在测试用例设计阶段耗时长的问题，专注于更高层次的测试任务，提高业务研发测试比，缓解测试人力压力；且能够提升测试场景覆盖率，避免人为主观因素导致的漏测漏检，从而在研发测试阶段提供及时全面的质量保障。从而在研发测试阶段提供及时全面的质量保障。从而在研发测试阶段提供及时全面的质量保障。

【技术实现步骤摘要】
一种基于神经网络的测试用例生成方法


[0001]本专利技术属于测试用例生成
，特别涉及一种基于神经网络的测试用例生成方法。

技术介绍

[0002]测试用例是软件测试中保障测试质量的基石，如何用最少的人力、物力、时间来设计高质量的测试用例，提高测试效率，帮助快速发现定位研发测试过程中隐藏的缺陷，从而保证软件的质量，是软件测试领域一项重要的目标。
[0003]机器学习方法通过对历史样本数据的学习，挖掘数据中隐藏的特征值，并通过对特征值的加权组合得到预测结果。而通过从需求文档、设计文档等原始数据中提取测试用例的设想可以看作是一个自然语言处理领域的问题，非常适合通过深度学习中的卷积神经网络、循环神经网络等模型来实现用例特征提取。另外，结合机器学习的用例生成方式通过对历史积累用例数据的学习得到，这也是顺应大数据时代潮流，做到“数”尽其用。
[0004]现有专利中实现的测试用例生成方法多侧重于场景覆盖率的提升、异常场景的覆盖，或侧重于从维护的测试步骤库中选取步骤进行组合推荐，测试用例还是需要人工在预测结果的基础上进一步参与设计。

技术实现思路

[0005]本专利技术克服了现有技术的不足之一，提供了一种基于神经网络的测试用例生成方法，能够解决研发测试阶段测试用例设计人力投入大、耗时长、以及由于人为主观因素导致的漏检漏测等问题，实现快速构建测试用例，缓解测试人力压力，在研发测试阶段提供及时全面的质量保障。
[0006]根据本公开的一方面，提出了一种基于神经网络的测试用例生成方法，所述方法包括：
[0007]收集历史项目文档，将所述历史项目文档作为原始数据；
[0008]将所述原始数据进行关键字提取和测试用例标签化处理，得到构建测试用例预测模型的训练数据集；
[0009]将所述训练数据集输入到基于神经网络的测试用例预测模型中，输出预测测试用例；
[0010]人工干预修正所述预测测试用例，并将修正后的预测测试用例作为训练数据集反向输入所述测试用例预测模型，对所述测试用例预测模型微调。
[0011]在一种可能的实现方式中，所述原始数据包括需求文档、设计文档和测试用例。
[0012]在一种可能的实现方式中，所述将所述原始数据进行关键字提取和测试用例标签化处理，得到构建测试用例预测模型的训练数据集，包括：
[0013]利用分词工具对需求文档和设计文档进行关键字提取，得到关键词集；
[0014]对所述测试用例进行标签化、步骤化、热读编码处理，得到测试用例标签集；
[0015]基于关键词集和测试用例标签集构建所述测试用例预测模型的训练数据集。
[0016]在一种可能的实现方式中，所述测试用例预测模型包括场景分类器和过程预测器，用于测试用例特征提取。
[0017]在一种可能的实现方式中，所述将所述训练数据集输入到基于神经网络的测试用例预测模型中，输出预测测试用例，包括：
[0018]所述场景分类器从所述训练数据集中提取场景分类特征，所述过程预测器从所述训练数据集中提取测试用例步骤序列信息，将所述场景分类特征和所述测试用例步骤序列信息进行融合，自动生成预测测试用例。
[0019]在一种可能的实现方式中，所述场景分类器为基于卷积神经网络的深度学习模型；所述过程预测器为基于循环神经网络的过程测试用例预测模型。
[0020]在一种可能的实现方式中，所述过程预测器从所述训练数据集中提取测试用例步骤序列信息，包括：
[0021]将所述训练数据集输入到基于循环神经网络的过程预测器中进行学习，得到所述训练数据集的测试用例的当前序特征；
[0022]将所述测试用例的当前序特征和测试用例的前序记忆特征进行融合得到测试用例的当前序的时序信息，保存所述测试用例的当前序的时序信息到所述过程预测器的记忆单元；
[0023]重复上述步骤，直到达到提取测试用例的时序特征，提取得到测试用例步骤序列信息。
[0024]根据本公开的另一方面，提出了一种基于神经网络的测试用例生成装置，所述装置包括：
[0025]收集模块，用于收集历史项目文档，将所述历史项目文档作为原始数据；
[0026]预处理模块，用于将所述原始数据进行关键字提取和测试用例标签化处理，得到构建测试用例预测模型的训练数据集；
[0027]测试用例预测模块，用于将所述训练数据集输入到基于神经网络的测试用例预测模型中，输出预测测试用例；
[0028]修正模块，用于人工干预修正所述预测测试用例，并将修正后的预测测试用例作为训练数据集反向输入所述测试用例预测模型，对所述测试用例预测模型微调。
[0029]根据本公开的另一方面，提出了一种电子设备，所述设备包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的方法。
[0030]根据本公开的另一方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。
[0031]本公开的有益之处在于，基于神经网络的测试用例生成方法，通过收集历史项目文档，将所述历史项目文档作为原始数据；将所述原始数据进行关键字提取和测试用例标签化处理，得到构建测试用例预测模型的训练数据集；将所述训练数据集输入到基于神经网络的测试用例预测模型中，输出预测测试用例；人工干预修正所述预测测试用例，并将修正后的预测测试用例作为训练数据集反向输入所述测试用例预测模型，对所述测试用例预测模型微调。解决了研发测试过程中测试人员在测试用例设计阶段耗时长的问题，专注于
更高层次的测试任务，提高业务研发测试比，缓解测试人力压力；且能够提升测试场景覆盖率，避免人为主观因素导致的漏测漏检，从而在研发测试阶段提供及时全面的质量保障。
附图说明
[0032]附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。
[0033]图1示出了根据本公开一实施例的基于神经网络的测试用例生成方法流程图；
[0034]图2示出了根据本公开一实施例的训练数据集预处理流程图；
[0035]图3示出了根据本公开一实施例的过程预测器的测试用例步骤序列信息提取原理图；
[0036]图4示出了根据本公开一实施例的测试用例预测模型工作原理流程图；
[0037]图5示出了根据本公开另一实施例的基于神经网络的测试用例生成方法流程图；
[0038]图6示出了根据本公开一实施例的基于神经网络的测试用例生成装置的结构示意图；
[0039]图7示出了根据本公开一实施例的电子设备的结构示意图。
具体实施方式
[0040]以下将结合附图及实施例来详细说明本专利技术的实施方式，借此对本专利技术如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的测试用例生成方法，其特征在于，所述方法包括：收集历史项目文档，将所述历史项目文档作为原始数据；将所述原始数据进行关键字提取和测试用例标签化处理，得到构建测试用例预测模型的训练数据集；将所述训练数据集输入到基于神经网络的测试用例预测模型中，输出预测测试用例；人工干预修正所述预测测试用例，并将修正后的预测测试用例作为训练数据集反向输入所述测试用例预测模型，对所述测试用例预测模型微调。2.根据权利要求1所述的测试用例生成方法，其特征在于，所述原始数据包括需求文档、设计文档和测试用例。3.根据权利要求2所述的测试用例生成方法，其特征在于，所述将所述原始数据进行关键字提取和测试用例标签化处理，得到构建测试用例预测模型的训练数据集，包括：利用分词工具对需求文档和设计文档进行关键字提取，得到关键词集；对所述测试用例进行标签化、步骤化、热读编码处理，得到测试用例标签集；基于关键词集和测试用例标签集构建所述测试用例预测模型的训练数据集。4.根据权利要求2所述的测试用例生成方法，其特征在于，所述测试用例预测模型包括场景分类器和过程预测器，用于测试用例特征提取。5.根据权利要求4所述的测试用例生成方法，其特征在于，所述将所述训练数据集输入到基于神经网络的测试用例预测模型中，输出预测测试用例，包括：所述场景分类器从所述训练数据集中提取场景分类特征，所述过程预测器从所述训练数据集中提取测试用例步骤序列信息，将所述场景分类特征和所述测试用例步骤序列信息进行融合，自动生成预测测试用例。6.根据权利要求5所述的测试用例生成方法，其特征在于，所述场景...

【专利技术属性】
技术研发人员：唐海群，周伟衢，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：