一种基于混合检索的测试用例生成方法及装置与流程
本技术涉及软件测试,尤其是涉及一种基于混合检索的测试用例生成方法及装置。
背景技术:
1、软件测试是保障软件产品质量的核心环节,而测试用例设计则是软件测试的基础,测试用例是测试人员用于验证系统是否符合预期功能、业务逻辑及需求的一组标准化测试指令,其质量直接决定测试效果。
2、目前,生成测试用例主要存在以下三种方式:人工设计测试用例依赖人工基于需求与业务逻辑手动编写,效率低且易遗漏;大模型生成测试用例通过ai自动化生成初稿以提升效率,但受限于业务理解不足易产生无效用例;传统的检索增强生成(retrieval-augmented generation,rag)技术则结合检索与生成,通过检索知识库信息辅助大模型生成测试用例,该技术存在语义匹配偏差,会造成用例偏离需求、全局检索效率低下、缺乏自适应能力等问题,难以适配个性化输入,致使测试用例质量不稳定、人工校验成本居高不下,无法真正实现高效精准的测试输出。
技术实现思路
1、有鉴于此,本技术的目的在于提供一种基于混合检索的测试用例生成方法及装置,通过提取业务需求信息中的关键词信息,利用逻辑回归模型锁定业务功能模块,结合关键词检索与微调向量检索,依托自适应融合神经网络模型动态优化两种检索特征的权重系数,进而筛选出目标业务知识库文档分块,并利用大语言模型生成测试用例,解决了现有技术中人工设计测试用例效率低,大模型生成用例易产生幻觉,传统检索增强生成技术检索精度不足、效率低且检索策略僵化等问题,提高了生成测试用例的准确性和效率,并提升了测试用例与业务需求及业务规则的贴合度,有效减少无效或错误用例,以适配不同业务场景及用户输入规范。
2、本技术实施例提供了一种基于混合检索的测试用例生成方法,所述方法包括:
3、响应于获取到输入的业务需求信息,提取所述业务需求信息中的关键词信息,并利用预设的逻辑回归模型确定所述关键词信息对应的至少一个业务功能模块;
4、基于所述业务功能模块,分别利用预设的关键词检索方法和预设的微调向量模型在预先分块设置的业务知识库中进行检索,对应得到每个所述业务功能模块中的业务知识库文档分块对应的稀疏特征和稠密向量特征,并利用预设的自适应融合神经网络模型确定所述稀疏特征和所述稠密向量特征分别对应的权重系数;
5、基于所述权重系数以及每个所述业务知识库文档分块对应的所述稀疏特征和所述稠密向量特征,确定每个所述业务知识库文档分块对应的融合得分值,并基于所述融合得分值,在所述业务知识库文档分块中确定目标业务知识库文档分块;
6、基于所述目标业务知识库文档分块,利用预设的大语言模型生成所述业务需求信息对应的目标测试用例。
7、进一步的,所述响应于获取到输入的业务需求信息,提取所述业务需求信息中的关键词信息,包括:
8、响应于获取到输入的业务需求信息,利用预设的分词工具将所述业务需求信息对应的文本拆分为多个候选词语,并过滤掉所述业务需求信息对应的文本中的停用词;
9、利用预设的文本特征权重计算方法确定每个所述候选词语对应的重要性评分,并按照所述重要性评分对应的降序对所述候选词语进行排序,得到关键词排序结果;
10、在所述关键词排序结果中提取预设关键词数量对应的所述候选词语,以提取关键词信息。
11、进一步的,所述利用预设的逻辑回归模型确定所述关键词信息对应的至少一个业务功能模块,包括:
12、将所述关键词信息输入至预设的逻辑回归模型中,得到由所述逻辑回归模型输出的所述关键词信息对应的至少一个候选功能模块以及每个所述候选功能模块对应的可信度结果;
13、对所述可信度结果进行归一化处理,得到每个所述候选功能模块对应的归一化分值,并按照所述归一化分值对应的降序对所述候选功能模块进行排序,得到功能模块排序结果;
14、在所述功能模块排序结果中提取预设模块数量对应的所述候选功能模块,以确定所述关键词信息对应的至少一个业务功能模块。
15、进一步的,所述基于所述业务功能模块,分别利用预设的关键词检索方法和预设的微调向量模型在预先分块设置的业务知识库中进行检索,对应得到每个所述业务功能模块中的业务知识库文档分块对应的稀疏特征和稠密向量特征,包括:
16、利用预设的关键词检索方法计算每个用户查询业务需求与预先分块设置的业务知识库中的文档分块之间对应的关键词匹配度;
17、对所述关键词匹配度进行归一化处理,确定每个所述业务知识库文档分块对应的稀疏特征;
18、将所述用户查询业务需求和所述业务知识库输入至预设的微调向量模型中,得到由所述微调向量模型输出的表征每个所述用户查询业务需求与所述文档分块之间对应的语义相关性的稠密向量特征;其中,所述微调向量模型是基于预设的三元组标注数据,利用预设的三元组损失函数对预设的句子嵌入生成模型进行微调所得到的。
19、进一步的,所述自适应融合神经网络模型包括特征投影层、模态均衡归一化层、多头注意力层、跨模态门控层、残差增强层和全连接输出层;所述利用预设的自适应融合神经网络模型确定所述稀疏特征和所述稠密向量特征分别对应的权重系数,包括:
20、由所述特征投影层将所述稀疏特征和所述稠密向量特征分别映射至预设维度,对应得到同维稀疏特征和同维稠密向量特征;
21、由所述模态均衡归一化层对所述同维稀疏特征和所述同维稠密向量特征分别进行归一化处理,对应得到标定稀疏特征和标定稠密向量特征;
22、由所述多头注意力层基于所述标定稀疏特征和所述标定稠密向量特征捕捉所述业务需求信息、所述关键词信息以及所述业务知识库中的文档分块之间对应的语义关联,得到注意力特征;
23、由所述跨模态门控层生成的门控系数分别与所述注意力特征进行逐元素相乘,得到门控特征;
24、由所述残差增强层将所述同维稀疏特征和所述同维稠密向量特征进行拼接,得到拼接投影特征,并将所述拼接投影特征与所述门控特征相加,得到残差增强特征;
25、由所述全连接输出层对所述残差增强特征依次进行特征压缩和归一化处理,得到由所述全连接输出层输出的所述稀疏特征和所述稠密向量特征分别对应的权重系数。
26、进一步的,所述权重系数包括稀疏权重系数和稠密权重系数;所述基于所述权重系数以及每个所述业务知识库文档分块对应的所述稀疏特征和所述稠密向量特征,确定每个所述业务知识库文档分块对应的融合得分值,并基于所述融合得分值,在所述业务知识库文档分块中确定目标业务知识库文档分块,包括:
27、将每个所述稀疏特征对应的所述稀疏权重系数与该稀疏特征相乘,得到第一乘积结果,并将每个所述稠密向量特征对应的所述稠密权重系数与该稠密向量特征相乘,得到第二乘积结果;
28、将所述第一乘积结果与所述第二乘积结果之间的和确定为每个所述业务知识库文档分块对应的融合得分值;
29、按照所述融合得分值对应的降序对所述业务知识库文档分块进行排序,得到业务知识库文档分块排序结果;
30、在所述业务知识库文档分块排序结果中提取预设文档分块数量对应的所述业务知识库文档分块,以确定目标业务知识库文档分块。
31、进一步的,所述方法还包括:
32、将所述目标测试用例和所述业务知识库文档分块发送至外部,并响应于接收到外部输入的用例反馈结果,基于所述用例反馈结果,对所述自适应融合神经网络模型进行更新训练,以更新所述权重系数。
33、本技术实施例还提供了一种基于混合检索的测试用例生成装置,所述测试用例生成装置包括:
34、关键词匹配单元,用于响应于获取到输入的业务需求信息,提取所述业务需求信息中的关键词信息,并利用预设的逻辑回归模型确定所述关键词信息对应的至少一个业务功能模块;
35、混合检索单元,用于基于所述业务功能模块,分别利用预设的关键词检索方法和预设的微调向量模型在预先分块设置的业务知识库中进行检索,对应得到每个所述业务功能模块中的业务知识库文档分块对应的稀疏特征和稠密向量特征,并利用预设的自适应融合神经网络模型确定所述稀疏特征和所述稠密向量特征分别对应的权重系数;
36、模块确定单元,用于基于所述权重系数以及每个所述业务知识库文档分块对应的所述稀疏特征和所述稠密向量特征,确定每个所述业务知识库文档分块对应的融合得分值,并基于所述融合得分值,在所述业务知识库文档分块中确定目标业务知识库文档分块;
37、用例生成单元,用于基于所述目标业务知识库文档分块,利用预设的大语言模型生成所述业务需求信息对应的目标测试用例。
38、进一步的,所述测试用例生成装置还包括模型更新单元,所述模型更新单元用于:
39、将所述目标测试用例和所述业务知识库文档分块发送至外部,并响应于接收到外部输入的用例反馈结果,基于所述用例反馈结果,对所述自适应融合神经网络模型进行更新训练,以更新所述权重系数。
40、本技术实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的基于混合检索的测试用例生成方法的步骤。
41、本技术实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的基于混合检索的测试用例生成方法的步骤。
42、本技术实施例提供的基于混合检索的测试用例生成方法及装置,所述方法包括:响应于获取到输入的业务需求信息,提取所述业务需求信息中的关键词信息,并利用预设的逻辑回归模型确定所述关键词信息对应的至少一个业务功能模块;基于所述业务功能模块,分别利用预设的关键词检索方法和预设的微调向量模型在预先分块设置的业务知识库中进行检索,对应得到每个所述业务功能模块中的业务知识库文档分块对应的稀疏特征和稠密向量特征,并利用预设的自适应融合神经网络模型确定所述稀疏特征和所述稠密向量特征分别对应的权重系数;基于所述权重系数以及每个所述业务知识库文档分块对应的所述稀疏特征和所述稠密向量特征,确定每个所述业务知识库文档分块对应的融合得分值,并基于所述融合得分值,在所述业务知识库文档分块中确定目标业务知识库文档分块;基于所述目标业务知识库文档分块,利用预设的大语言模型生成所述业务需求信息对应的目标测试用例。
43、与现有技术中的人工设计测试用例、大模型生成测试用例和传统的检索增强生成技术方法相比,通过提取业务需求信息中的关键词信息,利用逻辑回归模型锁定业务功能模块,结合关键词检索与微调向量检索,依托自适应融合神经网络模型动态优化两种检索特征的权重系数,进而筛选出目标业务知识库文档分块,并利用大语言模型生成测试用例,解决了现有技术中人工设计测试用例效率低,大模型生成用例易产生幻觉,传统检索增强生成技术检索精度不足、效率低且检索策略僵化等问题,提高了生成测试用例的准确性和效率,并提升了测试用例与业务需求及业务规则的贴合度,有效减少无效或错误用例,以适配不同业务场景及用户输入规范。
44、为使本技术的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com