[发明专利]分类模型的训练和使用方法、装置、设备以及存储介质

说明书

本发明公开了一种分类模型的训练和使用方法、装置、设备以及存储介质，属于软件自动化测试和自然语言处理技术领域。该方法包括：将样本文本输入特征模型，得到所述样本文本中词语的词向量；通过初始模型，对词语的词向量、词语的扰动向量和词语的位置特征进行处理，得到所述样本文本的分类预测结果；其中，所述初始模型包括至少一个两层双向LSTM、注意力机制层和分类层；根据所述样本文本的分类预测结果和所述样本文本的监督数据，确定目标分类损失值；根据所述目标分类损失值，对所述初始模型进行训练，得到目标分类模型。通过上述技术方案，可以对软件测试结果进行自动分类，减少了测试人员复测的劳动力，进而提高了软件开发和测试效率和质量。

技术领域

本发明涉及软件自动化测试和自然语言处理技术领域，尤其涉及一种分类模型的训练和使用方法、装置、设备以及存储介质。

背景技术

随着DevOps理念在互联网公司中的推广，持续集成和持续测试也成为了现在项目测试的主流趋势，通过不断进行自动化测试，分析与最新软件开发相关的各种缺陷和风险，为开发人员提供快速迅捷的反馈，提高项目交付的质量。

在软件自动化测试的过程中，测试人员会设计相关功能的自动化测试案例，通过测试平台执行案例，反馈测试结果成功和失败信息，人工判断失败信息原因是否为软件功能存在的缺陷。自动化测试往往会进行反复的回归测试，重复的测试依赖于大量的人力成本，进行测试结果复测和分析，并且主观经验会存在失误，影响测试质量和效率。

目前也有平台基于测试结果，每次将错误信息手动添加到信息库中，逐步扩充错误信息资源库，但这种方法没有预测性，新遇到的错误信息无法判断。因此，如何自动对软件测试结果进行分类，对软件测试和软件开发有重要的实用价值。

发明内容

本发明提供了一种分类模型的训练和使用方法、装置、设备以及存储介质，以实现软件测试结果的自动分类。

第一方面，本发明实施例提供了一种分类模型的训练方法，包括：

将样本文本输入特征模型，得到所述样本文本中词语的词向量；其中，所述特征模型包括一个两层双向LSTM；所述样本文本为历史软件测试结果，历史软件测试结果的类型包括环境问题、数据问题、业务问题、代码问题、以及案例问题；

通过初始模型，对词语的词向量、词语的扰动向量和词语的位置特征进行处理，得到所述样本文本的分类预测结果；其中，所述初始模型包括至少一个两层双向LSTM、注意力机制层和分类层；

根据所述样本文本的分类预测结果和所述样本文本的监督数据，确定目标分类损失值；

根据所述目标分类损失值，对所述初始模型进行对抗训练，得到目标分类模型。

第二方面，本发明实施例还提供了一种分类模型的使用方法，包括：

确定目标文本中词语的词向量；所述目标文件为待分类的软件测试结果；

将目标文本中词语的词向量输入至目标分类模型，得到所述目标文本的分类预测结果；其中，所述目标分类模型通过权利要求1-7中任一项所述的分类模型的训练方法得到。

第三方面，本发明实施例还提供了一种分类模型的训练装置，包括：

词向量确定模块，用于将样本文本输入特征模型，得到所述样本文本中词语的词向量；其中，所述特征模型包括一个两层双向LSTM；所述样本文本为历史软件测试结果，历史软件测试结果的类型包括环境问题、数据问题、业务问题、代码问题、以及案例问题；

预测结果确定模块，用于通过初始模型，对词语的词向量、词语的扰动向量和词语的位置特征进行处理，得到所述样本文本的分类预测结果；其中，所述初始模型包括至少一个两层双向LSTM、注意力机制层和分类层；