[发明专利]测试用例失败原因分析方法、装置及电子设备

说明书

本发明提供一种测试用例失败原因分析方法、装置及电子设备，其中，测试用例失败原因分析方法包括：获取待分类测试用例失败的日志文本；对于所述待分类测试用例失败的日志文本通过失败原因分类模型进行分类，得到该测试用例的失败原因。根据本发明的测试用例失败原因分析方法，能够解自动进行测试用例失败原因分析，且能够发现和应用测试用例失败的规律，提高问题解决效率。

技术领域

本发明涉及软件测试领域，具体涉及测试用例失败原因分析方法、装置、电子设备及计算机可读存储介质。

背景技术

在软件测试领域，大量自动化测试的用例脚本执行失败后，需要工作人员分析失败的原因，费时费力。

现有持续继承自动化测试用例的错误原因分析以人工处理，或简单的朴素贝叶斯分类居多，并单纯的认为是文本分类问题，存在分类速度慢，准确性不高。

发明内容

有鉴于此，本发明提供测试用例失败原因分析方法、装置及电子设备，能够解自动分析测试用例失败原因，且能够发现和应用测试用例失败的规律，提高问题解决效率。

为解决上述技术问题，一方面，本发明提供一种测试用例失败原因分析方法，包括如下步骤：

获取待分类测试用例失败的日志文本；

对于所述待分类测试用例失败的日志文本通过失败原因分类模型进行分类，得到该测试用例的失败原因。

进一步地，所述失败原因分类模型的形成方法包括：

获取多个失败测试用例的日志文本样本；

对于多个所述日志文本样本，通过分类标签进行标注；

基于标注后的日志文本样本进行训练，生成所述失败原因分类模型。

进一步地，所述失败原因分类模型的形成方法还包括：

利用日志文本样本集对所生成的失败原因分类模型进行验证，当准确率超过预定值时，确定该失败原因分类模型有效。

进一步地，所述分类标签包括环境问题、用例问题、工具问题、产品问题、产品设计修改问题中的一种或多种。

进一步地，所述失败原因分类模型为K近邻模型与逻辑回归模型的融合模型。

进一步地，对于所述待分类测试用例失败的日志文本通过失败原因分类模型进行分类具体包括：

基于所述K近邻模型提取所述待分类测试用例失败的日志文本与日志文本样本的第一特征向量；

计算第一特征向量之间的距离；

取距离最近的K个日志文本中分类标签个数最多者，作为K近邻模型计算结果；

基于所述K近邻模型提取所述待分类测试用例失败的日志文本与日志文本样本中带有表示失败含义的关键词的语句的第二特征向量；

基于所述K近邻模型计算结果与所述第二特征向量，构造第三特征向量；

将所述第三特征向量，通过逻辑回归模型进行计算，获得每个分类的概率，其中，概率最大者为分类结果。

进一步地，所述K值为7。

进一步地，所述第一特征向量和所述第二特征向量分别通过TF-IDF算法提取。

进一步地，还包括如下步骤：

基于得到的该测试用例的失败原因对所述失败原因分类模型进行迭代更新。

进一步地，当连续失败的测试用例的失败原因一致，则对于所述失败原因分类模型的参数进行调节，使得该失败原因的权重增加。