测试结果分类模型的训练方法、装置和计算机设备制造方法及图纸

本申请涉及一种测试结果分类模型的训练方法、装置和计算机设备。本申请涉及人工智能技术领域。方法包括：获取用户界面的第一测试结果样本信息；针对每个第一测试结果样本信息，通过生成对抗网络的生成器，随机生成多个不同类别的初始第二测试结果样本信息，并基于第一测试结果样本信息，通过生成对抗网络的判决器和生成器，对每个初始第二测试结果样本信息的初始第二测试结果样本图像进行调整，得到多个不同类别的第二测试结果样本信息；将各第二测试结果样本信息、以及第一测试结果样本信息输入初始测试结果分类模型，对初始测试结果分类模型进行训练，得到测试结果分类模型。采用本方法能够提升UI测试结果分类模型的训练效率。效率。效率。

【技术实现步骤摘要】
测试结果分类模型的训练方法、装置和计算机设备


[0001]本申请涉及人工智能
，特别是涉及一种用户界面测试结果分类模型的训练方法、装置和计算机设备。

技术介绍

[0002]用户界面(User Interface,UI)是软件系统展示给用户的内容，是用户与软件系统交互的重要媒介。通过UI，用户能够方便有效率地操作软件以达成双向交互。所以在生成UI时往往需要对UI进行测试，并对UI测试结果所存在的问题进行分类，从而提升该UI测试结果的问题分析效率。所以，UI测试结果分类模型开始研究发展，UI测试结果分类模型可以将UI测试结果按照问题的种类划分为多种类别的UI测试结果。因此如何提升UI测试结果分类模型的训练效率是研究的重点。
[0003]传统的UI测试结果分类模型训练方法是基于大量的UI测试结果样本，对以传统机器学习算法、深度学习算法为基础的分类模型进行训练，得到用户界面测试结果的分类模型。但是，该方法需要人工搜集大量的原始训练样本，并且需要人工对每个样本标注类别，耗时较长且容易出现标注误差，从而导致UI测试结果分类模型的训练效率较低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种测试结果分类模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种测试结果分类模型的训练方法。所述方法包括：
[0006]获取用户界面的第一测试结果样本信息；所述第一测试结果样本信息包括第一测试结果样本图像和所述第一测试结果样本图像的类别标识；
[0007]针对每个第一测试结果样本信息，通过生成对抗网络的生成器，随机生成多个不同类别的初始第二测试结果样本信息，并基于所述第一测试结果样本信息，通过所述生成对抗网络的判决器和所述生成器，对每个初始第二测试结果样本信息的初始第二测试结果样本图像进行调整，得到多个不同类别的第二测试结果样本信息；
[0008]将各所述第二测试结果样本信息、以及所述第一测试结果样本信息输入初始测试结果分类模型，对所述初始测试结果分类模型进行训练，得到测试结果分类模型。
[0009]可选的，所述通过生成对抗网络的生成器，随机生成多个不同类别的初始第二测试结果样本信息，并基于所述第一测试结果样本信息，通过所述生成对抗网络的判决器和所述生成器，对每个初始第二测试结果样本信息的初始第二测试结果样本图像进行调整，得到多个不同类别的第二测试结果样本信息，包括：
[0010]随机生成多个空白图像，并基于所述生成对抗网络的生成器，在每个空白图像中随机添加任意类别的图像噪声，得到各初始第二测试结果样本图像；
[0011]通过所述生成对抗网络的判决器，计算各所述初始第二测试结果样本图像与所述第一测试结果样本图像的相似度；
[0012]在存在所述初始第二测试结果样本图像与所述第一测试结果样本图像的相似度不大于相似度阈值的情况下，调整所述生成器的生成系数，并将各所述初始第二测试结果样本图像作为空白图像，返回执行随机生成多个空白图像，并基于所述生成对抗网络的生成器，在每个空白图像中随机添加任意类别的图像噪声，得到各初始第二测试结果样本图像步骤；
[0013]直到所有初始第二测试结果样本图像与所述第一测试结果样本图像的相似度均大于相似度阈值，将各所述初始第二测试结果样本图像作为第二测试结果样本图像，并将各所述初始第二测试结果样本图像所添加的图像噪声的类别，作为所述第二测试结果样本图像的类别标识，得到各第二测试结果样本信息。
[0014]可选的，所述将各所述第二测试结果样本信息、以及所述第一测试结果样本信息输入初始测试结果分类模型，对所述初始测试结果分类模型进行训练，得到测试结果分类模型，包括：
[0015]针对每个测试结果样本图像，将所述测试结果样本图像输入初始测试结果分类模型，得到所述测试结果样本图像的类别识别结果；
[0016]根据所述测试结果样本图像的类别标识、以及所述测试结果样本图像的类别识别结果，对所述初始测试结果分类模型的分类识别参数进行调整；
[0017]在所有测试结果样本图像的类别标识、以及所有测试结果样本图像的类别识别结果均完成调整所述初始测试结果分类模型的分类识别参数的情况下，将已完成调整的初始测试结果分类模型，作为测试结果分类模型。
[0018]可选的，所述方法还包括：
[0019]获取所述用户界面的历史测试结果样本信息；所述历史测试结果样本信息包括历史测试结果样本图像和所述历史测试结果样本图像的类别标识；
[0020]将所述历史测试结果样本图像，输入所述测试结果分类模型，得到各所述历史测试结果样本图像的类别识别结果，并根据所述历史测试结果样本图像的类别标识、以及各所述历史测试结果样本图像的类别识别结果，通过所述评价网络，确定所述测试结果分类模型的分类正确率；
[0021]在所述分类正确率大于预设分类正确率阈值的情况下，确定所述测试结果分类模型完成训练。
[0022]可选的，所述将所述历史测试结果样本图像，输入所述测试结果分类模型，得到各所述历史测试结果样本图像的类别识别结果，并根据所述历史测试结果样本图像的类别标识、以及各所述历史测试结果样本图像的类别识别结果，通过所述评价网络，确定所述测试结果分类模型的分类正确率，包括：
[0023]针对每个历史测试结果样本图像，将所述历史测试结果样本图像，输入所述测试结果分类模型，得到所述历史测试结果样本图像的类别识别结果，并对相同的类别识别结果的历史测试结果样本图像进行聚类处理，得到多个类别的历史测试结果样本图像；
[0024]在所述历史测试结果样本图像的类别识别结果不是所述历史测试结果样本图像的类别标识的情况下，确定所述历史测试结果样本图像的分类错误；在所述历史测试结果样本图像的类别识别结果是所述历史测试结果样本图像的类别标识的情况下，确定所述历史测试结果样本图像的分类正确；
[0025]针对每个类别识别结果，根据所述类别识别结果的分类错误的历史测试结果样本图像的数目、以及所述类别识别结果的分类正确的历史测试结果样本图像的数目，计算所述类别识别结果的分类正确率，并根据所有类别识别结果的分类正确率，通过所述评价网络，确定所述测试结果分类模型的分类正确率。
[0026]第二方面，本申请提供了一种测试结果的分析方法。所述方法包括：
[0027]获取目标用户界面的多个测试结果图像；
[0028]通过测试结果分类模型，确定各所述测试结果图像的类别识别结果；
[0029]根据所述测试结果图像的类别识别结果，判断所述测试结果是否满足测试成功条件，并在所述测试结果未满足测试成功条件的情况下，根据所述测试结果图像的类别识别结果，确定所述测试结果图像的测试问题；
[0030]其中，所述测试结果分类模型通过第一方面中任一项所述的测试结果分类模型的训练方法训练得到。
[0031]第三方面，本申请还提供了一种测试结果分类模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种测试结果分类模型的训练方法，其特征在于，所述方法包括：获取用户界面的第一测试结果样本信息；所述第一测试结果样本信息包括第一测试结果样本图像和所述第一测试结果样本图像的类别标识；针对每个第一测试结果样本信息，通过生成对抗网络的生成器，随机生成多个不同类别的初始第二测试结果样本信息，并基于所述第一测试结果样本信息，通过所述生成对抗网络的判决器和所述生成器，对每个初始第二测试结果样本信息的初始第二测试结果样本图像进行调整，得到多个不同类别的第二测试结果样本信息；将各所述第二测试结果样本信息、以及所述第一测试结果样本信息输入初始测试结果分类模型，对所述初始测试结果分类模型进行训练，得到测试结果分类模型。2.根据权利要求1所述的方法，其特征在于，所述通过生成对抗网络的生成器，随机生成多个不同类别的初始第二测试结果样本信息，并基于所述第一测试结果样本信息，通过所述生成对抗网络的判决器和所述生成器，对每个初始第二测试结果样本信息的初始第二测试结果样本图像进行调整，得到多个不同类别的第二测试结果样本信息，包括：随机生成多个空白图像，并基于所述生成对抗网络的生成器，在每个空白图像中随机添加任意类别的图像噪声，得到各初始第二测试结果样本图像；通过所述生成对抗网络的判决器，计算各所述初始第二测试结果样本图像与所述第一测试结果样本图像的相似度；在存在所述初始第二测试结果样本图像与所述第一测试结果样本图像的相似度不大于相似度阈值的情况下，调整所述生成器的生成系数，并将各所述初始第二测试结果样本图像作为空白图像，返回执行随机生成多个空白图像，并基于所述生成对抗网络的生成器，在每个空白图像中随机添加任意类别的图像噪声，得到各初始第二测试结果样本图像步骤；直到所有初始第二测试结果样本图像与所述第一测试结果样本图像的相似度均大于相似度阈值，将各所述初始第二测试结果样本图像作为第二测试结果样本图像，并将各所述初始第二测试结果样本图像所添加的图像噪声的类别，作为所述第二测试结果样本图像的类别标识，得到各第二测试结果样本信息。3.根据权利要求1所述的方法，其特征在于，所述将各所述第二测试结果样本信息、以及所述第一测试结果样本信息输入初始测试结果分类模型，对所述初始测试结果分类模型进行训练，得到测试结果分类模型，包括：针对每个测试结果样本图像，将所述测试结果样本图像输入初始测试结果分类模型，得到所述测试结果样本图像的类别识别结果；根据所述测试结果样本图像的类别标识、以及所述测试结果样本图像的类别识别结果，对所述初始测试结果分类模型的分类识别参数进行调整；在所有测试结果样本图像的类别标识、以及所有测试结果样本图像的类别识别结果均完成调整所述初始测试结果分类模型的分类识别参数的情况下，将已完成调整的初始测试结果分类模型，作为测试结果分类模型。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述用户界面的历史测试结果样本信息；所述历史测试结果样本信息包括历史测试结果样本图像和所述历史测试结果样本图像的类别标识；
将所述历史测试结果样本图像，输入所述测试结果分类模型，得到各所述历史测试结果样本图像的类别识别结果，并根据所述历史测试结果样本图像的类别标识、以及各所述历史测试结果样本图像的类别识别结果，通过所述评价网络，确定所述测试结果分类模型的分类正确率；在所述分类正确率大于预设分类正确率阈值的情况下，确定所述测试结果分类模型完成训练。5.根据权利要求4所述的方法，其特征在于，所述将所述历史测试结果样本图像，输入所述测...

【专利技术属性】
技术研发人员：吕美洁，郭继泱，高小明，张天，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：