[发明专利]一种面向黑盒测试背景下的回归测试用例分类方法

权利要求书

1.一种面向黑盒测试背景下的回归测试用例分类方法，其特征在于，对历史测试用例与新增测试用例对应的文本信息进行预处理，采用LDA(Latent Dirichlet Allocation)主题模型技术对预处理的文本进行主题建模，进一步将测试用例对应的文本表示为特征数目固定的主题特征向量，随机选取部分原始测试用例与新增测试用例，并针对当前软件版本为其构造测试预言，根据选择的测试用例在当前软件版本上的运行结果标注其类别，以标注过的测试用例作为训练集，训练SVM分类模型，将待分类的测试用例对应的主题特征向量作为分类模型的输入，最终输出其类别；该方法包括下列步骤：

1)测试用例对应的文本信息的预处理；

对原始测试用例与新增测试用例对应的文本信息进行预处理，移除数字、程序语言的关键词、空格、“{”、“}”、“(”、“)”、“[”、“]”、“\”、“/”和程序注释字符，并基于骆驼命名法(Camel-Case)分割标识符名称，将每一个单词转换成其基本形式，以降低测试用例文本包含的词汇数；

2)测试用例的主题建模；

采用LDA主题模型技术对预处理后的文本进行主题建模，获得每一个测试用例对应的文本关于主题的分布，并把每一个测试用例对应的文本表示为主题特征向量；

3)训练集的测试用例类别标注；

从原始测试用例集合与新增测试用例集合中各随机选择10％的测试用例，针对演化后的软件版本为选择的每一个测试用例构造测试预言，并在演化后的软件版本上运行所选的测试用例，根据运行结果与其测试预言是否一致标注测试用例的类别，若一致，测试用例为正确的用例，反之为错误的用例；

4)SVM模型训练；

基于步骤3)选择的测试用例对应的文本特征向量及类别信息训练支持向量机分类模型；

5)测试用例分类；

选择待分类的测试用例对应的文本特征向量作为步骤3)产生的分类模型的输入，最终输出待分类的测试用例的类别。

2.根据权利要求1所述的面向黑盒测试背景下的回归测试用例分类方法，其特征在于，在步骤1)中，对测试用例的文本信息进行预处理，以降低测试用例文本包含的词汇数；读取原始测试用例及新增测试用例的文本信息，移除文本中的程序语言关键词、运算符及与英语语言相关的停止词，基于骆驼命名法对词进行分割，将每一个单词转换成基本形式，保存所有预处理后的测试用例文本信息。

3.根据权利要求1所述的面向黑盒测试背景下的回归测试用例分类方法，其特征在于，在步骤2)中，采用主题模型技术对预处理后的测试用例文本信息进行主题建模，并将测试用例文本表示主题特征向量；具体步骤如下：对预处理后的测试用例文本进行向量化，将其表示成文本-特征词矩阵，利用Gibbs抽样算法进行参数估计，构造LDA主题模型以获得文档的主题概率分布，最终将测试用例的文本信息表示成主题特征向量。

4.根据权利要求1所述的面向黑盒测试背景下的回归测试用例分类方法，其特征在于，在步骤3)中，标注测试用例的类别，将已标注的测试用例作为训练集，为训练分类模型做准备；具体步骤如下：从原始的测试用例集合与新增的测试用例集合中各随机选择10％的测试用例，针对演化后的软件版本为选择的测试用例构造测试预言，并运行选择的测试用例，基于运行结果与测试预言是否一致标注测试用例的类别。

5.根据权利要求1所述的面向黑盒测试背景下的回归测试用例分类方法，其特征在于，在步骤4)中，训练测试用例的分类模型；具体步骤如下：以步骤3)选择的测试用例的标签信息及其主题特征向量作为训练分类模型的输入，以径向基函数为核函数，同时指定到达率σ的值，训练SVM分类模型。

6.根据权利要求1所述的面向黑盒测试背景下的回归测试用例分类方法，其特征在于，在步骤5)中，利用步骤4)中的SVM分类模型对待分类的测试用例进行分类；具体步骤如下：对于待分类的测试用例，从步骤2)中读取其对应的主题特征向量，将该向量作为步骤4)产生的SVM分类模型的输入，最终输出待分类的测试用例的类别信息。