夏傳林，鄭 巍，譚莉娟，王小良

(1.南昌航空大學(xué) 軟件學(xué)院，江西 南昌 330063； 2.南昌航空大學(xué) 軟件測(cè)評(píng)中心，江西 南昌 330063)

0 引 言

測(cè)試用例復(fù)用是從已有的多個(gè)項(xiàng)目中尋找相似的測(cè)試用例，故而這些項(xiàng)目的測(cè)試場(chǎng)景要相似，而本文所有項(xiàng)目中的測(cè)試用例大部分是對(duì)硬件接口的測(cè)試，所以具有復(fù)用的可行性。測(cè)試用例是保證軟件測(cè)試質(zhì)量的關(guān)鍵，一個(gè)好的測(cè)試用例有利于發(fā)現(xiàn)更多的軟件缺陷[1-4]，從而縮短軟件開發(fā)周期，提高測(cè)試效率。在軟件測(cè)試過程中，可以修改高度相似的測(cè)試用例，以減少測(cè)試用例設(shè)計(jì)的工作量[5,6]。測(cè)試用例復(fù)用成功的關(guān)鍵就是找到用戶真實(shí)需要的測(cè)試用例，并推薦給用戶。目前，涉及測(cè)試用例復(fù)用的研究較少，大部分工作都集中在構(gòu)建測(cè)試用例庫(kù)，以此達(dá)到測(cè)試用例復(fù)用的目的。但是，此類方法僅使用了基于關(guān)鍵字的檢索模型，在靈活性和復(fù)用率方面仍有所欠缺。

針對(duì)上述問題，本文提出了一種基于知識(shí)圖譜的測(cè)試用例復(fù)用方法(test case reuse based on knowledge graph，TCRKG)，TCRKG通過對(duì)項(xiàng)目測(cè)試文檔數(shù)據(jù)進(jìn)行處理，抽取出和測(cè)試用例有關(guān)的項(xiàng)目、測(cè)試項(xiàng)、測(cè)試用例、測(cè)試記錄、問題報(bào)告單等基礎(chǔ)特征。本文主要包括3個(gè)核心內(nèi)容：構(gòu)建測(cè)試用例知識(shí)圖譜、改進(jìn)樸素貝葉斯分類模型、測(cè)試用例相似度計(jì)算。根據(jù)專家經(jīng)驗(yàn)和測(cè)試文檔對(duì)本體進(jìn)行設(shè)計(jì)，構(gòu)建測(cè)試用例圖譜，替換傳統(tǒng)的測(cè)試用例庫(kù)。為了使測(cè)試用例復(fù)用模型更加靈活，對(duì)改進(jìn)的樸素貝葉斯分類器設(shè)置了常用的多種問題模板，相比于決策樹、邏輯回歸、支持向量機(jī)等分類方法，樸素貝葉斯在時(shí)間花費(fèi)、泛化性能上更適合本文的應(yīng)用場(chǎng)景。最后在實(shí)驗(yàn)中驗(yàn)證了該方法能夠有效提高測(cè)試用例復(fù)用，找到軟件缺陷。

1 相關(guān)工作

本文主要是通過構(gòu)建知識(shí)圖譜的方法來對(duì)測(cè)試用例復(fù)用進(jìn)行研究，因此相關(guān)工作主要分為測(cè)試用例復(fù)用研究和知識(shí)圖譜。

1.1 測(cè)試用例復(fù)用研究

測(cè)試用例的設(shè)計(jì)和編寫需要花費(fèi)大量的時(shí)間，而測(cè)試用例復(fù)用能夠大大節(jié)約時(shí)間，提高效率[7,8]。從本質(zhì)上來講，測(cè)試用例復(fù)用就是從已有的測(cè)試用例中找出用戶真實(shí)需要的測(cè)試用例。

近年來，出現(xiàn)了一些新的針對(duì)測(cè)試用例的方法研究，Zhang等提出了一種基于控件遍歷的測(cè)試方法，能夠基于深度優(yōu)先算法自動(dòng)生成測(cè)試用例，并且該方法能夠增強(qiáng)測(cè)試用例的復(fù)用性[9]。Ge等提出了一種基于線性融合和項(xiàng)目結(jié)合的用戶協(xié)同過濾算法[10]，該算法雖然可以更有效地提高測(cè)試用例推薦精度，但存在計(jì)算成本高，泛化性能差的問題。Tong等利用本體對(duì)測(cè)試用例進(jìn)行復(fù)用，提供了靈活的查詢需求[11]，卻缺少測(cè)試用例相關(guān)的上下文內(nèi)容，沒有對(duì)問題報(bào)告單、測(cè)試記錄等和測(cè)試用例極其相關(guān)的內(nèi)容進(jìn)行研究。綜上所述，以上方法很難從海量數(shù)據(jù)中挖掘測(cè)試用例的特征以達(dá)到精準(zhǔn)復(fù)用的目的，不能獲得測(cè)試用例的上下文環(huán)境。

1.2 知識(shí)圖譜

知識(shí)圖譜是由谷歌(Google)公司正式向外界發(fā)布，自此，知識(shí)圖譜正式走入大眾視野。知識(shí)圖譜本質(zhì)上是語(yǔ)義網(wǎng)的知識(shí)庫(kù)，由節(jié)點(diǎn)和邊組成，節(jié)點(diǎn)表示實(shí)體，邊表示實(shí)體與實(shí)體之間的關(guān)系。知識(shí)圖譜可以分為通用知識(shí)圖譜和領(lǐng)域知識(shí)圖譜。例如通用知識(shí)圖譜有DBpedia、YAGO、Freebase等；領(lǐng)域知識(shí)圖譜有地理信息領(lǐng)域知識(shí)圖譜[12]、中醫(yī)藥知識(shí)圖譜等。

知識(shí)圖譜的應(yīng)用場(chǎng)景主要有智能搜索、智能問答、智能推薦、情報(bào)分析。Pedro Szekely等利用網(wǎng)絡(luò)數(shù)據(jù)構(gòu)建知識(shí)圖譜[13]，用來打擊人口販賣。Feng-Lin Li等將知識(shí)圖譜應(yīng)用到電子商務(wù)領(lǐng)域[14]，有助于理解用戶需求，回答售前問題和生成解釋文本。Sen Hu等通過子圖匹配知識(shí)圖譜來回答自然語(yǔ)言問題[15]，可以有效地解決歧義問題。測(cè)試用例復(fù)用也可以看成是一種智能推薦，用戶提出問題，通過知識(shí)圖譜來找尋答案?；谥R(shí)圖譜的智能搜索可以直接給出知識(shí)卡片而不是給出相關(guān)的鏈接序列。在知識(shí)圖譜的幫助下，檢索引擎可以將搜索關(guān)鍵詞映射到知識(shí)圖譜中匹配度較高的一個(gè)測(cè)試用例上，最后以知識(shí)卡片的形式展現(xiàn)給用戶。

2 基于知識(shí)圖譜的測(cè)試用例復(fù)用方法

在本節(jié)中，首先介紹整個(gè)測(cè)試用例復(fù)用模型框架流程，然后對(duì)本文3個(gè)核心內(nèi)容：構(gòu)建知識(shí)圖譜、改進(jìn)樸素貝葉斯分類模型、相似度計(jì)算依次進(jìn)行介紹。

2.1 模型框架

圖1展示了測(cè)試用例復(fù)用的整個(gè)流程，包括3個(gè)核心部分。

圖1 測(cè)試用例復(fù)用模型

(1)構(gòu)建測(cè)試用例知識(shí)圖譜：構(gòu)建測(cè)試用例知識(shí)圖譜是本文方法的前提，其過程主要是依據(jù)專家經(jīng)驗(yàn)結(jié)合項(xiàng)目文檔數(shù)據(jù)對(duì)本體進(jìn)行設(shè)計(jì)，從半結(jié)構(gòu)化的文檔數(shù)據(jù)中提取出測(cè)試用例、測(cè)試記錄、問題報(bào)告單等相關(guān)的數(shù)據(jù)，最后填充實(shí)體構(gòu)建知識(shí)圖譜。

(2)改進(jìn)樸素貝葉斯分類模型：本文設(shè)計(jì)了常用的多種問題模板，每種問題模板都有很多問題樣例。首先同種問題模板中的問題樣例高度相似，不同種類的問題模板也有一定的相似度，這就會(huì)引發(fā)一種情況，如果某種問題模板的問題樣例數(shù)量特別多，那么其所對(duì)應(yīng)的特征也很多，最后通過樸素貝葉斯分類器來計(jì)算概率就會(huì)出現(xiàn)特征多的類別概率偏大，所占特征少的類別概率偏小。為了解決上述問題，本文提出了兩種方式來提高樸素貝葉斯分類的準(zhǔn)確率。其一，通過設(shè)置測(cè)試用例自定義的詞典；其二，通過給每種問題類別設(shè)置一個(gè)權(quán)值，從而提高模型分類的準(zhǔn)確率。

(3)測(cè)試用例相似度計(jì)算：通過樸素貝葉斯分類之后可以確定問題模板類別，然后就是通過知識(shí)圖譜尋找用戶需要的答案。問題模板分為兩類，一種是可以直接從知識(shí)圖譜中找到答案，例如，功能測(cè)試有多少測(cè)試用例；一種是需要通過相似度計(jì)算才可以得到答案。用戶可以輸入一個(gè)或多個(gè)測(cè)試用例屬性的內(nèi)容、關(guān)鍵字等，通過這些與知識(shí)圖譜中的測(cè)試用例進(jìn)行相似度比較，具體計(jì)算方法在2.4節(jié)中闡述。

2.2 構(gòu)建知識(shí)圖譜

構(gòu)建知識(shí)圖譜主要包括3個(gè)步驟：

(1)特征提?。罕疚臉?gòu)建知識(shí)圖譜的數(shù)據(jù)來源主要是項(xiàng)目測(cè)試文檔，屬于半結(jié)構(gòu)化數(shù)據(jù)，依據(jù)專家經(jīng)驗(yàn)和測(cè)試用例的特征，從半結(jié)構(gòu)化數(shù)據(jù)中提取出和測(cè)試用例相關(guān)的特征數(shù)據(jù)[16,17]，最終將數(shù)據(jù)轉(zhuǎn)為結(jié)構(gòu)化數(shù)據(jù)，測(cè)試用例設(shè)計(jì)樣例見表1。

表1 測(cè)試用例設(shè)計(jì)樣例

(2)本體構(gòu)建：本體是用于描述一個(gè)領(lǐng)域的數(shù)據(jù)集合，屬于知識(shí)圖譜的模式層。在測(cè)試用例的本體設(shè)計(jì)中，本文采用七步法進(jìn)行構(gòu)建。圖2中展示了核心本體，包括測(cè)試用例信息、項(xiàng)目、測(cè)試項(xiàng)、測(cè)試項(xiàng)明細(xì)、測(cè)試記錄和問題報(bào)告單等數(shù)據(jù)，能夠更加全面覆蓋測(cè)試用例的關(guān)鍵信息。

圖2 測(cè)試用例核心本體

(3)生成圖譜：圖3為部分測(cè)試用例知識(shí)圖譜，圖中共有5種顏色的圓，每一種顏色表示一種實(shí)體，實(shí)體與實(shí)體之間的連線表示兩者的關(guān)系，實(shí)體的屬性在圖中沒有顯示出來。通過測(cè)試用例知識(shí)圖譜，可以很清晰看到項(xiàng)目、測(cè)試項(xiàng)、測(cè)試用例、問題報(bào)告單之間的關(guān)聯(lián)，以及測(cè)試用例的分布、缺陷的分布。在測(cè)試用例復(fù)用中，就能夠優(yōu)先匹配到那些能夠發(fā)現(xiàn)軟件缺陷的測(cè)試用例。

圖3 部分測(cè)試用例知識(shí)圖譜

2.3 基于樸素貝葉斯的分類模型

測(cè)試用例復(fù)用模型不僅應(yīng)該能夠檢索到用戶需要的測(cè)試用例，還能夠找到和測(cè)試用例相關(guān)聯(lián)的信息。針對(duì)這個(gè)問題，本文通過使用樸素貝葉斯分類模型，來更好滿足用戶各種問題需求。

為了提高樸素貝葉斯的準(zhǔn)確率，本文通過兩種方式對(duì)其進(jìn)行改進(jìn)：設(shè)置測(cè)試用例自定義的詞典，來提升關(guān)鍵詞的識(shí)別；對(duì)類別進(jìn)行加權(quán)，減少模型過擬合。

在訓(xùn)練樸素貝葉斯分類模型之前，需要自定義詞典和設(shè)置好問題模板。如表2所示列出了自定義詞典添加的內(nèi)容，詞典中添加的每種內(nèi)容都必需有唯一的詞性。如此，利用分詞工具才能準(zhǔn)確的將用戶輸入的內(nèi)容進(jìn)行分詞，并且能夠識(shí)別出自定義詞典中的內(nèi)容。

表2 自定義詞典

本文設(shè)置了14種常用問題模板，每種問題模板都有很多問題樣例，用來模型訓(xùn)練。經(jīng)過樸素貝葉斯分類確定輸入的是哪種問題模板后，其中有13種是可以直接生成查詢語(yǔ)句從知識(shí)圖譜中檢索答案，而另一種則需要通過測(cè)試用例相似度計(jì)算來匹配。

問題模板集合C={y1,y2,…,y14}， 表示14種問題模板，I={I1,I2,…,In} 是輸入集合，每一個(gè)元素是一個(gè)待分類項(xiàng)，Ii={x1,x2,…,xm} (i=1,2,…,n)，Ii表示當(dāng)前用戶輸入的內(nèi)容，每個(gè)x為一個(gè)特征屬性。對(duì)Ii分詞后會(huì)得到每個(gè)Ii的特征屬性x， 不同的Ii對(duì)應(yīng)x的數(shù)量也不相同。

首先通過分詞將所有問題模板中的樣例進(jìn)行分詞得到k維向量，然后開始訓(xùn)練模型。根據(jù)條件概率可得到式(1)

(1)

為得到當(dāng)前Ii所屬類別，需要對(duì)每種類別設(shè)置一個(gè)權(quán)值w={w1,w2,…,w14}，w∈(0,1)， 通過式(2)來計(jì)算

P(yt|Ii)=max{P(y1|Ii)w1,P(y2|Ii)w2,…,P(y14|Ii)w14}

(2)

式(2)中為當(dāng)前Ii屬于哪種類別，則求出Ii在14種問題模板當(dāng)中的所有概率，對(duì)每個(gè)類別計(jì)算P(yt)， 選擇概率最大的類別作為Ii的類別。式(1)中，因?yàn)榉帜笇?duì)于所有類別為常數(shù)，所以只需將分子最大化即可

P(Ii|yt)P(yt)=P(x1|yt)P(x2|yt)…P(xm|yt)P(yt)

(3)

對(duì)每個(gè)類別計(jì)算P(Ii|yt)P(yt)， 以P(Ii|yt)P(yt) 作為Ii所屬的類別。

2.4 相似度計(jì)算

Mu等提出了基于文本相似性對(duì)測(cè)試用例復(fù)用進(jìn)行研究[18]，但沒有考慮將輸入內(nèi)容分解對(duì)應(yīng)到每個(gè)屬性上。本文經(jīng)過改進(jìn)的樸素貝葉斯分類模型處理后，會(huì)從14種問題模板中找到概率最高的一個(gè)作為其真實(shí)類別。用戶可以輸入測(cè)試用例的多種屬性內(nèi)容，根據(jù)這些屬性在知識(shí)圖譜中找到一個(gè)大致范圍的測(cè)試用例集，最終計(jì)算相似度來確定結(jié)果。

測(cè)試用例集合M={M1,M2,…,Mn}， 測(cè)試用例屬性Sk，S={S1,S2,…,Sk}， 屬性對(duì)應(yīng)的權(quán)重w={w1,w2,…,wk}。 將測(cè)試用例所有屬性進(jìn)行分詞，然后進(jìn)行onehot編碼，則tik表示測(cè)試用例Mi在屬性Sk上onehot編碼為1的數(shù)量，從而可以將相似度計(jì)算轉(zhuǎn)化為式(4)中的相似值

(4)

N(Mr,Mi)是指測(cè)試用例Mr(用戶輸入的內(nèi)容)和測(cè)試用例集合中的Mi的相似值

N=max{N(Mr,M1),N(Mr,M2),…,N(Mr,Mi)}

(5)

N就是測(cè)試用例集合M中N(Mr,Mi) 的最大值，此時(shí)的Mi就是找到相似度最大的測(cè)試用例。例如，圖4顯示了測(cè)試用例相似度計(jì)算的一個(gè)例子，其中圖4(b)是用戶輸入的數(shù)據(jù)，可以根據(jù)用例標(biāo)識(shí)、用例描述、測(cè)試類型、需求追溯等多種屬性來計(jì)算測(cè)試用例的相似度。根據(jù)圖4(b)中的信息，找到用戶需要的測(cè)試用例，也就是從知識(shí)圖譜中找出相似度最大的測(cè)試用例。從圖4(b)中可以看出用例描述屬性中的關(guān)鍵字“指令”、“故障”、“命令”的多個(gè)屬性特征都與圖4(a)相同，雖然關(guān)鍵字“發(fā)送”在圖4(a)和圖4(b)中的用例描述中都能找到，但是該關(guān)鍵字是無效關(guān)鍵字，因?yàn)槠渖舷挛拿黠@不一致，所以在計(jì)算相似度時(shí)不會(huì)考慮該關(guān)鍵字。根據(jù)式(4)和式(5)，求得圖4(b)、圖4(a)之間的相似度為12.34%，大于圖4(b)、圖4(c)之間的相似度4.98%。

圖4 測(cè)試用例相似度計(jì)算示例

3 實(shí) 驗(yàn)

在本節(jié)中，首先對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行介紹，然后描述實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)，最后對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。

3.1 數(shù)據(jù)描述

本文實(shí)驗(yàn)中的所有數(shù)據(jù)來源均為南昌航空大學(xué)軟件學(xué)院軟件測(cè)評(píng)中心，擁有64個(gè)軟件項(xiàng)目，23 212個(gè)測(cè)試用例。數(shù)據(jù)格式為半結(jié)構(gòu)化的測(cè)試文檔，最終將半結(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)為結(jié)構(gòu)化的數(shù)據(jù)。

3.2 評(píng)價(jià)指標(biāo)

為了更加全面的評(píng)價(jià)TCRKG，本文從3個(gè)方面對(duì)模型進(jìn)行評(píng)價(jià)。首先是模型的準(zhǔn)確度，要精準(zhǔn)找到用戶想要復(fù)用的測(cè)試用例，問題模板的精度就非常重要，因?yàn)槟鞘钦业胶玫臏y(cè)試用例的關(guān)鍵，因此本文通過3個(gè)廣泛使用的指標(biāo)：精確度(Precision)、召回率(Recall)和F1測(cè)量標(biāo)準(zhǔn)來對(duì)問題模板匹配的精度進(jìn)行評(píng)價(jià)，并將改進(jìn)后的樸素貝葉斯與改進(jìn)前的樸素貝葉斯進(jìn)行性能對(duì)比。其次，為了檢測(cè)知識(shí)圖譜的效率，通過和傳統(tǒng)構(gòu)建測(cè)試用例庫(kù)的方法進(jìn)行比較，通過檢索時(shí)間，和搜索復(fù)雜度兩個(gè)指標(biāo)來進(jìn)行評(píng)價(jià)。最后，為了檢驗(yàn)本文中TCRKG在實(shí)踐中的有效性，設(shè)置A、B兩個(gè)對(duì)照組，分別對(duì)4個(gè)軟件S1，S2，S3，S4進(jìn)行軟件測(cè)試，A組使用本文中的測(cè)試用例復(fù)用方法，作為對(duì)照組，B組使用傳統(tǒng)測(cè)試用例庫(kù)的方法。最終以測(cè)試用例復(fù)用數(shù)量，和找到缺陷的個(gè)數(shù)作為評(píng)價(jià)指標(biāo)。

3.3 實(shí)驗(yàn)結(jié)果

3.3.1 模型精度

圖5、圖6、圖7顯示了樸素貝葉斯分類模型改進(jìn)前和改進(jìn)后的Precision、Recall、F1值的對(duì)比。就精確度而言，從圖5中可以看出樸素貝葉斯改進(jìn)后的精確度都要優(yōu)于改進(jìn)前的精確度，樸素貝葉斯分類改進(jìn)前精確度平均為90.05%，改進(jìn)后為94.09%，精確度平均提高了4%。圖6中樸素貝葉斯改進(jìn)后的召回率都要大于改進(jìn)前的召回率，樸素貝葉斯分類改進(jìn)前召回率平均為76.60%，改進(jìn)后為83.76%，召回率平均提高了7%。圖7中樸素貝葉斯改進(jìn)后的F1都要大于改進(jìn)前的F1，樸素貝葉斯分類改進(jìn)前召回率平均為82.84%，改進(jìn)后為88.51%，F(xiàn)1值平均提高了6%。從整體上來看，模板5和模板12的Precision、Recall、F1值都偏低，其原因是因?yàn)槟０?和模板12的樣例數(shù)量相比于其它模板的數(shù)量要少很多，所以導(dǎo)致這兩種問題模板所占特征偏少。因此本文通過自定義詞典和給問題類別加權(quán)值的方法對(duì)樸素貝葉斯進(jìn)行改進(jìn)，有效改善了此類問題對(duì)分類結(jié)果的影響，并且整體性的提高了樸素貝葉斯的分類性能。

圖5 精確度對(duì)比

圖6 召回率對(duì)比

圖7 F1值對(duì)比

綜上所述，通過添加自定義詞典和給問題類別設(shè)置權(quán)值的方法可以有效解決問題模板樣例數(shù)量相差較大所帶來的影響，并且可以有效提高樸素貝葉斯分類模型的準(zhǔn)確率，為提高測(cè)試用例復(fù)用奠定了基礎(chǔ)。

3.3.2 檢索效率

為了驗(yàn)證知識(shí)圖譜的檢索效率，本文從復(fù)雜度和時(shí)間消耗兩個(gè)方面進(jìn)行對(duì)比，復(fù)雜度是指兩種方案解決同一個(gè)問題數(shù)據(jù)庫(kù)需要進(jìn)行多少步驟。對(duì)14種問題模板分別進(jìn)行5次實(shí)驗(yàn)，將5次實(shí)驗(yàn)的平均數(shù)據(jù)作為時(shí)間消耗值。

圖8和圖9展示了傳統(tǒng)用例庫(kù)與知識(shí)圖譜檢索復(fù)雜度比較，為了更加直觀比較兩種方法復(fù)雜度的大小，本文將傳統(tǒng)用例庫(kù)每種問題模板的復(fù)雜度都?xì)w一化到1，然后知識(shí)圖譜的復(fù)雜度以傳統(tǒng)用例庫(kù)復(fù)雜度大小為基準(zhǔn)，復(fù)雜度越大，表示執(zhí)行步驟越多，效率越低?？梢钥闯?，傳統(tǒng)測(cè)試用例庫(kù)的復(fù)雜度都比知識(shí)圖譜的復(fù)雜度大，這就間接表明通過知識(shí)圖譜進(jìn)行檢索的效率高。

圖8 傳統(tǒng)用例庫(kù)復(fù)雜度

圖9 知識(shí)圖譜復(fù)雜度

圖10 傳統(tǒng)用例庫(kù)與知識(shí)圖譜檢索時(shí)間消耗比較

綜上所述，無論是從復(fù)雜度還是從時(shí)間消耗來看，基于知識(shí)圖譜的方法檢索效率都要優(yōu)于基于傳統(tǒng)測(cè)試用例庫(kù)的方法。

3.3.3 實(shí)踐對(duì)比

為了檢測(cè)TCRKG在實(shí)際中的使用效果，由軟件測(cè)評(píng)中心組織測(cè)試人員測(cè)試4個(gè)軟件S1，S2，S3，S4，設(shè)置A、B對(duì)照組對(duì)4個(gè)軟件進(jìn)行測(cè)試。為了盡可能排除測(cè)試人員所帶來的影響，A、B兩組人員都是同年級(jí)學(xué)生，本科接受課程教育相同。A組為使用基于知識(shí)圖譜復(fù)用方法，作為對(duì)照組，B組是基于傳統(tǒng)用例庫(kù)的方法。

圖11顯示了兩種方法測(cè)試用例復(fù)用數(shù)量的對(duì)比，A組明顯比B組復(fù)用的測(cè)試用例要多，平均高于B組20%～30%。

圖11 測(cè)試用例復(fù)用數(shù)量

如圖12所示，展示了S1，S2，S3，S4這4個(gè)軟件的真實(shí)缺陷數(shù)量和基于傳統(tǒng)用例庫(kù)、基于知識(shí)圖譜復(fù)用方法測(cè)試到正確的缺陷數(shù)量。4個(gè)軟件的缺陷類型主要為接口問題和功能問題缺陷，其中90%的缺陷都在以往的測(cè)試中被典型測(cè)試用例發(fā)現(xiàn)過。A組測(cè)試出將近2/3的真實(shí)缺陷數(shù)量，而B組測(cè)試出的數(shù)量在1/3～2/3之間。不僅如此，由于A組使用的是基于本文中的復(fù)用模型，可以更加準(zhǔn)確復(fù)用需要的測(cè)試用例，而B組只能根據(jù)少量關(guān)鍵字進(jìn)行匹配，不能精準(zhǔn)找到用戶需要的測(cè)試用例，所以在耗時(shí)方面，A組大約只使用了B組一半的時(shí)間。通過實(shí)踐對(duì)比，驗(yàn)證了本文的測(cè)試用例復(fù)用方法確實(shí)能夠減少測(cè)試人員花費(fèi)的時(shí)間，并且提高了軟件缺陷的發(fā)現(xiàn)率。

圖12 缺陷數(shù)量對(duì)比

綜上所述，通過A、B兩組對(duì)4個(gè)軟件S1，S2，S3，S4進(jìn)行測(cè)試的對(duì)照實(shí)驗(yàn)來看，A組也就是本文中基于知識(shí)圖譜的測(cè)試用例復(fù)用方法能夠復(fù)用更多的測(cè)試用例，發(fā)現(xiàn)更多的軟件缺陷。

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)測(cè)試用例復(fù)用方法的不足，本文提出了一種基于知識(shí)圖譜的測(cè)試用例復(fù)用方法。該方法首先利用已有文檔提取結(jié)構(gòu)化數(shù)據(jù)，構(gòu)建知識(shí)圖譜，從而獲得了與測(cè)試用例相關(guān)的上下文信息；然后在測(cè)試用例匹配過程中，基于樸素貝葉斯分類模型和問題模板，明確用戶的檢索意圖；最后利用相似度計(jì)算確定最佳的測(cè)試用例。實(shí)驗(yàn)結(jié)果表明，TCRKG比傳統(tǒng)測(cè)試用例復(fù)用方法具有更高的推薦準(zhǔn)確度。TCRKG不僅能夠挖掘測(cè)試用例的潛在信息，還能將傳統(tǒng)用例庫(kù)中孤立的測(cè)試用例進(jìn)行關(guān)聯(lián)，達(dá)到“1+1>2”的效果。而本研究的不足點(diǎn)就是沒有考慮測(cè)試用例的語(yǔ)義信息，在進(jìn)行相似度計(jì)算的時(shí)候沒有將測(cè)試用例的語(yǔ)義信息考慮在內(nèi)。所以我們下一步工作就是將測(cè)試用例的語(yǔ)義信息加入到知識(shí)圖譜中。