[发明专利]一种综合用户属性的测试资产推荐方法及系统

说明书

本发明涉及一种综合用户属性的测试资产推荐方法及系统，包括最小化初始偏好值矩阵与目标用户隐藏属性向量、测试资产隐藏属性向量、目标用户显式属性向量和测试资产显式属性向量之间的残差计算获得调整后的中间偏好值矩阵，通过分析用户以及测试资产的显式属性和隐藏属性，将分析结果量化，形成用户与测试资产之间的偏好矩阵，针对不同用户可以得到不同的测试资产推荐结果，从而能够将测试资产准确地推荐给用户，帮助客户找到最适合自己的测试资产。

技术领域

本发明涉及计算机软件测试技术领域，尤其涉及一种综合用户属性的测试资产推荐方法及系统。

背景技术

随着软件测试行业的日益发展完善，软件测试资产的规模也愈发庞大，目前软件测试资产包含但不限于：测试案例库、测试案例编写元素、被测系统功能点、测试规则点、自动化案例库、业务旅程、测试数据构造、测试相关技术、历史生产事件等等。

作为一名普通的用户，想要主动获取到所有相关测试资产往往比较困难，即使测试资产支持搜索功能，对于用户来说，也有可能出现搜索关键字不够明确导致搜索结果不精确的情况，并且获取到的测试资产很有可能不是用户真正想要的。

一个关键的问题在于，现有技术中对于测试资产的检索、推荐不能很好地结合用户属性给出结果，往往只能片面参考用户属性的某一特定部分作为结果推荐的依据，例如仅根据用户的职位、主要工作对象给出测试资产推荐，而不能全面考虑用户属性，因此给出的测试资产检索、推荐结果经常不能满足用户的需求。

发明内容

为解决现有技术的不足，本发明提出一种综合用户属性的测试资产推荐方法及系统，分析用户以及测试资产的显式属性和隐藏属性，将分析结果量化，形成用户与测试资产之间的偏好矩阵，针对不同用户可以得到不同的测试资产推荐结果，从而能够将测试资产准确地推荐给用户，帮助客户找到最适合自己的测试资产。

为实现以上目的，本发明所采用的技术方案包括：

一种综合用户属性的测试资产推荐方法，其特征在于，包括：

获取目标用户的隐藏属性，所述隐藏属性包括目标用户对测试资产的搜索次数和浏览次数；

根据目标用户的隐藏属性计算得到目标用户对测试资产的初始偏好值：

整合各目标用户对各测试资产的初始偏好值，获得初始偏好值矩阵，所述初始偏好值矩阵中初始偏好值为0的位置留空；

对初始偏好值矩阵进行矩阵分解获得目标用户隐藏属性向量和测试资产隐藏属性向量；

获取目标用户的显式属性，并将目标用户的显式属性量化转换为目标用户显式属性向量；

获取测试资产的显式属性，并将测试资产的显式属性量化转换为测试资产显式属性向量；

通过最小化初始偏好值矩阵与目标用户隐藏属性向量、测试资产隐藏属性向量、目标用户显式属性向量和测试资产显式属性向量之间的残差计算获得调整后的中间偏好值矩阵；

对中间偏好值矩阵进行矩阵分解获得新的目标用户隐藏属性向量和测试资产隐藏属性向量，并使用中间偏好值、新的目标用户隐藏属性向量和测试资产隐藏属性向量重复迭代进行最小化残差计算直至收敛，获得输出偏好值矩阵；

将输出偏好值矩阵中偏好值较高的对应测试资产推荐给用户。

进一步地，所述根据目标用户的隐藏属性计算得到目标用户对测试资产的初始偏好值包括：

通过式1计算得到目标用户对测试资产的初始偏好值；

z＝x+a*y 式1

其中，x为测试资产的搜索次数，y为测试资产的浏览次数，z为目标用户对测试资产的初始偏好值，a为计算系数并取任意一个大于等于1的正数。