[发明专利]基于机器学习模型的测试用例步骤的推荐方法和装置

说明书

本发明提供了一种基于机器学习模型的测试用例步骤的推荐方法和装置。本发明的方案通过以连续的n个用例步骤为单位对预处理后的历史测试用例数据进行格式化得到指定格式数据，以每个指定格式数据中的前n‑1个步骤作为训练数据、第n个步骤作为标签对构建的机器学习模型进行训练，进而以训练好的机器学习模型进行测试用例的步骤推荐，实现了人工智能AI与测试的结合，能够在编写测试用例时为测试人员自动推荐用例步骤以供挑选而无需人工去函数库进行选择，有效提高测试用例编写效率，从而提高测试效率并降低测试成本。特别地，通过采用长短期记忆网络LSTM模型进行测试用例步骤的推荐，可显著提高模型精度，用例步骤推荐准确度可达83％。

技术领域

本发明涉及软件测试技术领域，特别是一种基于机器学习模型的测试用例步骤的推荐方法、装置、计算机存储介质以及计算设备。

背景技术

软件测试是软件质量保证的关键环节，是一个软件生命周期必不可少的环节。软件测试的过程中需要根据软件自身特点编写很多的测试用例，对于测试用例的有效管理可以帮助测试人员提高测试效率，降低测试成本。

现有技术中，在测试用例管理平台上编写测试用例的方法是在某个项目下新建测试用例，并根据该测试用例的功能从函数库中选择函数作为用例的每个步骤，这个过程需要从拥有几千上万条函数的函数库中选择想要的函数。虽然函数库是按照项目划分，对函数进行了整理，但是每次去选择需要的函数仍需花费大约几秒钟的时间。如此，通过人工选择用例步骤来编写完一条测试用例可能需要花费2-3分钟，效率很低。

因此，亟需一种在编写测试用例时可为测试人员自动推荐若干用例步骤以供挑选而无需人工去函数库进行选择，进而提高测试用例编写效率的技术。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于机器学习模型的测试用例步骤的推荐方法、装置、计算机存储介质以及计算设备。

根据本发明实施例的一方面，提供了一种基于机器学习模型的测试用例步骤的推荐方法，包括：

对历史测试用例数据进行预处理，得到预处理后的测试用例数据，其中，每条所述预处理后的测试用例数据包括一测试用例的顺序排列的所有步骤的标识，每一步骤对应于测试用例管理平台的函数库中的一个函数；

针对所述预处理后的测试用例数据中的每条数据，以随机选取该条数据中的一步骤为起点，取该步骤后的连续n-1个步骤与该步骤组成一指定格式数据的方式，得到多个指定格式数据，其中，每个所述指定格式数据包括按照执行顺序排列的n个步骤，前n-1个步骤作为训练数据，第n个步骤作为标签，n为不小于3的整数；

构建机器学习模型，并利用所述训练数据和所述标签对所述机器学习模型进行训练；

将待推荐步骤的测试用例的该待推荐步骤前的相邻n-1个步骤输入训练好的所述机器学习模型中，得到推荐的该测试用例的步骤。

可选地，所述机器学习模型包括N元语法N-gram模型、连续词袋CBOW模型或长短期记忆网络LSTM模型。

可选地，当所述机器学习模型为LSTM模型时，构建机器学习模型，包括：

利用keras序贯模型构建LSTM模型；

其中，所述LSTM模型包括词向量嵌入embedding层、双向LSTM层和全连接层；

所述全连接层采用softmax激活函数；

所述LSTM模型采用多分类交叉熵函数作为损失函数。

可选地，对历史测试用例数据进行预处理，包括：

将所述函数库中的函数按照函数原始标识进行排序；