本说明书实施例涉及人工智能技术领域，特别涉及一种测试问题处理方法、装置及设备。
背景技术：
在软件、应用等程序正式上线运行之前，一般需要针对这些软件及应用进行测试，以获得相应的测试数据，并通过测试数据中体现的测试问题确定软件及应用的漏洞、故障等问题。而这些测试问题可能会涉及不同的方面，例如程序本身的问题或是业务自身设置的问题，不同方面的测试问题可能需要由不同的人员分别进行处理。因此，在结束测试之后，可以先针对这些测试问题进行分类，进而发送至不同的处理人员利用相应的处理方式对这些测试问题进行处理。
但是，目前的软件和应用中往往包含有较多的图像内容，使得所产生的测试问题在包括文字测试问题的同时，也存在直接利用图像来反映漏洞的图像类测试问题。在测试问题是这类混杂有不同类型数据的多媒体数据时，并不能够有效确定这些测试问题所对应的类别，进而影响后续过程中对这些测试问题的处理，延缓软件的开发进度。因此，目前亟需一种能够准确有效地对包含文字和图像的测试问题进行分类的方法。
技术实现要素：
本说明书实施例的目的是提供一种测试问题处理方法、装置及设备，以解决如何准确地对多媒体类型的测试问题进行分类的问题。
为解决上述技术问题，本说明书实施例提供一种测试问题处理方法，包括：获取目标测试问题；所述目标测试问题中包含有文本类测试问题和图像类测试问题；确定对应于所述文本类测试问题的第一问题类别；所述第一问题类别对应有至少一种处理所述文本类测试问题的处理方式；获取对应于所述图像类测试问题的第二问题类别；所述第二问题类别对应有至少一种处理所述图像类测试问题的处理方式；综合所述第一问题类别和第二问题类别确定所述目标测试问题的测试问题类别；基于所述测试问题类别对应的处理方式处理所述目标测试问题。
本说明书实施例还提出一种测试问题处理装置，包括：测试问题获取模块，用于获取目标测试问题；所述目标测试问题中包含有文本类测试问题和图像类测试问题；第一问题类别确定模块，用于确定对应于所述文本类测试问题的第一问题类别；所述第一问题类别对应有至少一种处理所述文本类测试问题的处理方式；第二问题类别获取模块，用于获取对应于所述图像类测试问题的第二问题类别；所述第二问题类别对应有至少一种处理所述图像类测试问题的处理方式；测试问题类别确定模块，用于综合所述第一问题类别和第二问题类别确定所述目标测试问题的测试问题类别；目标测试问题处理模块，用于基于所述测试问题类别对应的处理方式处理所述目标测试问题。
本说明书实施例还提出一种电子设备，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述测试问题处理方法中的步骤。
由以上本说明书实施例提供的技术方案可见，本说明书实施例在获取到同时包含有文本和图像的测试问题之后，能够针对文本确定第一问题类别，针对图像确定第二问题类别，进而综合所述第一问题类别和第二问题类别确定目标测试问题所属的测试问题类别，从而根据所述测试问题类别实现对目标测试问题的处理。通过上述方法，在针对目标测试问题的类别进行识别的过程中，可以综合考虑测试问题中不同格式的测试数据对类型划分结果的影响，从而准确实现了包含多媒体类型的测试问题的分类，有利于后续步骤中基于不同类别的处理方式对测试问题的处理，进而改善了测试对象的应用效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例一种测试问题处理方法的流程图；
图2为本说明书实施例一种测试问题处理装置的结构示意图；
图3为本说明书实施例一种数据预处理装置的结构示意图；
图4为本说明书实施例一种文本分类模型装置的结构示意图；
图5为本说明书实施例一种图片分类模型装置的结构示意图；
图6为本说明书实施例一种测试问题分类装置的结构示意图；
图7为本说明书实施例一种测试问题处理装置的模块图；
图8为本说明书实施例一种测试问题处理设备的结构图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
为了解决上述技术问题，首先介绍本说明书实施例一种测试问题处理方法。所述测试问题处理方法的执行主体可以是测试问题处理设备，所述测试问题处理设备包括但不限于服务器、工控机、pc机等。如图1所示，所述测试问题处理方法可以包括以下具体实施步骤。
s110：获取目标测试问题；所述目标测试问题中包含有文本类测试问题和图像类测试问题。
目标测试问题可以是需要进行分类的测试问题。在应用、软件等程序上线运行之前，往往需要先对这些应用和软件进行测试，获取其在不同的测试条件、测试环境等情况下的测试数据，进而从所述测试数据中分析得到软件漏洞、应用缺陷等作为测试问题。根据所述测试问题，可以有效分析这些应用、软件自身的缺陷，进而通过修复这些缺陷来改善这些应用、软件的使用体验。
由于测试的方向、条件的数量日益增多，且测试应用自身的规模也在不断扩大，因此，所得到的测试问题的数量也在不断增多。而为了更好地处理掉这些测试问题，往往需要针对这些测试问题进行分类，并根据所分得的类别将测试问题递交至不同的人员或处理程序进行处理。
所述目标测试问题中可以包含有文本类测试问题和图像类测试问题。
文本类测试问题可以是通过文本的方式进行描述的问题，例如，基于预先设定的处理逻辑，将测试过程中所产生的问题通过对应的文本进行表述。所述文本类测试问题也可以是测试人员在查看相应的测试结果后，基于测试结果所撰写的文本。实际应用中对于所述文本类测试问题的具体格式以及来源不做限制，并不限于上述示例，在此不再赘述。
图像类测试问题是通过图像的形式来反映测试过程中所出现的漏洞的问题，例如，所述图像类测试问题可以直接用于展示测试问题所对应的项目的实体，也可以是以图像的形式展示程序执行过程中的问题。基于所述图像类测试问题，可以直接通过其中所包含的图像确定测试过程中所反映的问题。实际应用中也可以利用其他方式来通过图像反映测试过程中的问题。
在一些实施方式中，在获取到所述目标测试问题之后，还可以为所述目标测试问题标记问题类型。问题类型用于表示所述目标测试问题的大方向类别，在后续分类步骤中可以根据所述问题类型来更为有效地实现对测试问题类别的划分。
具体的，所述问题类型可以包括环境类型、程序类型、数据类型、易用性类型中的至少一种。所述环境类型可以用于表示是软件或应用在测试过程中所应用的环境存在一定的问题；所述程序类型可以用于表示程序本身存在问题，可以在后续步骤中将该类问题递交至相应的程序员进行处理；数据类型可以用于表示测试所使用的测试数据存在一定问题，例如所使用的测试数据超出了程序本身的应用范围，可以在后续步骤中将该类问题反馈至测试人员以对测试过程进行调整；所述易用性类型可以用于表示测试的程序在不同应用过程中的差异，进而体现出的易用性的问题。
实际应用中根据具体情况也可以设置其他的问题类型，并不限于上述示例，在此不再赘述。
在一些实施方式中，获取到所述目标测试问题后，还可以对所述目标测试问题进行预处理。所述预处理可以是从所述目标测试问题中识别无效测试问题。所述无效测试问题可以包括文本描述错误或图像不清晰的测试问题。例如针对文本类测试问题，可以对文本的语法、逻辑进行预先判断，将无意义或表述混乱的文本对应的测试问题作为无效文本类测试问题；针对图像类测试问题，可以对图像的清晰度进行识别，对于图像的整体或部分的清晰度不符合清晰度标准的，可以将这些图像所对应的测试问题作为无效图像类测试问题。最后，综合这些无效文本类测试问题和无效图像类测试问题可以识别得到最终的无效测试问题。
在得到这些无效测试问题之后，可以从总体的目标测试问题中剔除所述无效测试问题，从而提升后续过程中针对目标测试问题的识别效果。
s120：确定对应于所述文本类测试问题的第一问题类别；所述第一问题类别对应有至少一种处理所述文本类测试问题的处理方式。
在获取到所述文本类测试问题后，可以确定所述文本类测试问题的第一问题类别。所述第一问题类别可以是针对文本类测试问题进行分类后所确定的类别。
在一些实施方式中，确定所述第一问题类别，可以是先对所述文本类测试问题进行分词得到至少两个文本分词，再从所述文本分词中筛选出关键分词，最终能够将所述关键分词输入文本划分模型中得到所述文本类测试问题的第一问题类别。
由于文本类测试问题所包含的文本可能较长，直接针对这些文本进行类别划分可能存在一定的困难，也会影响最终确定的类别的准确性。因此，可以先针对文本类测试问题进行分词，针对划分得到的文本分词进行分析，以提高后续分析过程的准确性。
在一个具体的示例中，可以利用fudannlp工具包对所述文本类测试问题进行分词得到至少两个文本分词。fudannlp是一种为中文自然语言处理而开发的工具包，也包含为实现这些任务的机器学习算法和数据集。具体的利用fudannlp工具包进行分词的过程可以基于实际应用的需求进行设置，在此不再赘述。
在确定对应的文本分词之后，可以从这些文本分词中筛选得到关键分词。关键分词是用于体现文本含义的分词，往往包含有针对性较强的含义。例如，文本中所包含的名词、动词一般具有较强的实际意义，可以优选地作为所述关键分词进行应用。进一步地，还可以基于当前测试所针对的领域，确定相应的专业类型，进而将所述名词、动词划分为专业类名词、专业类动词、非专业类名词和非专业类动词。根据这些分词与所属领域之间的对应关系也可以更好地确定关键分词。
实际应用中也可以根据其他设定的标准来确定关键分词，并不限于上述示例，在此不再赘述。
在获取到所述关键分词之后，可以将所述关键分词输入文本划分模型中得到第一问题类别，所述文本划分模型可以是预先训练得到的能够识别文本所对应的类别的模型，从而能够在输入关键分词后确定相应的类别。
在一些实施方式中，所述文本划分模型可以是基于朴素贝叶斯分类算法所构建的模型。朴素贝叶斯分类器是一系列以假设特征之间强(朴素)独立下运用贝叶斯定理为基础的简单概率分类器。该分类器模型会给问题实例分配用特征值表示的类标签，类标签取自有限集合。
基于上述实施方式，当利用所述文本划分模型确定第一问题类别时，可以先基于所述关键分词构建空间向量，并基于所述空间向量确定所述文本类测试问题对应于至少两个预设问题类别的概率，从而最终根据这些概率的大小，从预设问题类别中选取出第一问题类别。
利用一个具体的示例进行说明，首先，假设关键分词的词项个数为n，某关键词为ti，则每个测试问题由多个关键词构成，一个问题t采用vsm方法构建向量空间模型可以表示为t(t1,t2,...,tn)，ti出现则记为1，未出现则记为0，使每个问题构成一个n维的空间向量t＝{t1,t2,...,tn}。之后，使用朴素贝叶斯分类算法构建算法模型，设定每个问题构建为向量t＝{t1,t2,...,tn}，每个问题类别设为ci，问题分类即计算当前向量t被判定为类别ci的条件概率p(ci|t)，其中最大的概率即可判定为属于类别ci。依赖贝叶斯准则可以得到
所述第一问题类别可以预先对应有相应的处理方式，具体的，可以根据文本类测试问题的不同类别确定不同的处理对象或处理逻辑，从而确定对应的处理方式。具体的处理方式可以基于实际应用的需求进行设置，在此不再赘述。
s130：获取对应于所述图像类测试问题的第二问题类别；所述第二问题类别对应有至少一种处理所述图像类测试问题的处理方式。
在获取到图像类测试问题之后，也可以确定对应于所述图像类测试问题的第二问题类别。
在一些实施方式中，在确定所述第二问题类别时，可以先从所述图像类测试问题中提取图像特征，并将所述图像特征输入图像划分模型中得到所述图像类测试问题的第二问题类别。
在针对图像进行识别时，由于图像具有多样性的特点，一般无法直接根据图像本身识别出图像所对应的类别，因此可以通过提取图像的特征，进而根据图像特征更为准确有效地实现图像类别划分。
在一些实施方式中，在提取图像特征时，可以先计算图像类测试问题中各个像素点的像素值，再根据所述像素值确定对应于所述图像类测试问题的梯度信息，最终基于所述梯度信息利用hog特征算法从所述图像类测试问题中提取图像特征。
为了获取每张图像的颜色的对比度，可以先计算像素点的像素值，具体的，可以是对每张图像中的每个像素点的红、绿、蓝三个色彩值取平均作为图像的灰度值，相应的，还可以针对灰度化后的图像中的像素值进行归一化处理，以得到归一化图像矩阵。例如，可以是设定gamma校正值u抑制噪声干扰，计算校正后的像素值g’(x,y)＝g(x,y)u；其中，g(x,y)表示矩阵g在第x行、第y列的元素像素值。
基于上述步骤中计算得到的像素值，可以确定梯度信息，梯度信息用于表示图像中的像素值变化情况，从而用于反映不同图像的特征。例如，可以计算g’(x,y)的水平方向梯度dx(x,y)＝g’(x,y 1)-g’(x,y)；计算g’(x,y)的垂直方向梯度dy(x,y)＝g’(x 1,y)-g’(x,y)；梯度方向值
在得到梯度信息之后，可以利用相应的图像划分模型实现图像类别的划分。在一些实施方式中，所述图像划分模型可以是基于svm分类算法所构建的模型。将每个图像si与对应的测试问题ci类型构建组合样本(si,ci)，定义目标函数q(β)计算函数最大值，最终得到svm类别判别函数。支持向量机(supportvectormachine,svm)是一类按监督学习(supervisedlearning)方式对数据进行二元分类的广义线性分类器(generalizedlinearclassifier)，其决策边界是对学习样本求解的最大边距超平面。具体的训练所述图像划分模型以及利用该模型进行图像类别划分的方式可以基于实际应用的需求进行调整。
所述第二问题类别可以预先对应有相应的处理方式，具体的，可以根据图像类测试问题的不同类别确定不同的处理对象或处理逻辑，从而确定对应的处理方式。具体的处理方式可以基于实际应用的需求进行设置，在此不再赘述。
s140：综合所述第一问题类别和第二问题类别确定所述目标测试问题的测试问题类别。
在获取到对应于文本类测试问题的第一问题类别和对应于图像类测试问题的第二问题类别之后，可以综合所述第一问题类别和第二问题类别来确定目标测试问题的测试问题类别，以优化测试问题的分类效果。
在一些实施方式中，若所述第一问题类别和第二问题类别相同，则可以将所述第一问题类别或第二问题类别作为所述目标测试问题的测试问题类别。针对文本和图像所预先设置的类别中可能会存在重合的部分，则在针对文本和图像进行识别时，可能会出现针对文本的划分类别和针对图像的划分类别相同的情况，则可以直接将其中的任意一种类别作为最终的测试问题类别。
在一些实施方式中，若所述第一问题类别和第二问题类别不同，则可以将所述第一问题类别和第二问题类别结合得到所述测试问题类别，或，从所述第一问题类别和第二问题类别中选择得到所述测试问题类别。例如，若识别得到所述第一问题类别为a类别，第二问题类别为b类别，则最终确定的测试问题类别可以是a类别和b类别，也可以是从a类别和b类别中选取出一个类别作为最终的测试问题类别。具体的选取方式例如可以是基于图像和文本所预先设置的优先级来确定，也可以基于当前测试问题中文本和图像的占比来确定。实际应用中也可以利用其他方式进行确定，对此不做限制。
在一些实施方式中，也可以是由管理人员根据文本和图像所划分的类别来确定最终的测试问题类别。所述管理人员可以是测试人员，也可以是针对所开发的项目进行管理的人员等，对此不做限制。具体的，在实现过程中可以是将所述第一问题类别和第二问题类别反馈至管理终端，在管理人员基于所述管理终端查看到所述第一问题类别和第二问题类别后，可以确定最终的问题类别。所述问题类别可以是综合所述第一问题类别和第二问题类别后的结果，也可以是从所述第一问题类别和第二问题类别中所选择的问题类别，也可以是管理人员基于所述第一问题类别和第二问题类别所额外设置的类别，对此不做限制。
在所述管理人员确定问题类别后，可以基于所述管理终端将所述问题类别反馈至测试问题处理设备，以使测试问题处理设备将所述问题类别作为对应于所述目标测试问题的测试问题类别。
s150：基于所述测试问题类别对应的处理方式处理所述目标测试问题。
由于第一问题类别和第二问题类别均对应有相应的处理问题的方式，因此，在综合第一问题类别和第二问题类别得到测试问题类别之后，可以基于第一问题类别和第二问题类别所对应的处理方式，确定所述测试问题类别所对应的处理方式，从而最终实现所述目标测试问题的处理。
具体的，所述测试问题类别对应的处理方式可以是结合所述第一问题类别和第二问题类别所对应的处理方式，也可以是从所述第一问题类别和第二问题类别中选取得到部分处理方式作为最终的处理方式。实际应用中也可以根据需要选取相应的处理方式，对此不做限制。
需要说明的是，处理所述目标测试问题的过程可以是由所述测试问题处理设备基于预先设置的程序进行处理；也可以是由这些处理方式所对应的设备分别进行处理，在该种处理方式下，测试问题处理设备处理目标测试问题的过程可以是确定测试问题类别所对应的处理设备，并将所述目标测试问题发送至所述处理设备，以使所述处理设备基于预先设置的程序对所述目标测试问题进行处理。实际应用中对于所述目标测试问题的处理过程不限于上述方式，在此不再赘述。
利用一个具体的示例对上述方法进行说明，如图2所示，为一种测试问题处理模型的结构示意图。其中，原始测试问题输入数据预处理装置后，得到建模数据，再分别输入文本分类模型装置和图片分类模型装置，针对各自对应的输出模型所输出的数据，再统一输入测试问题处理装置，并输出最终的分类结果。
如图3所示，为一种数据预处理装置1的示意图，其中，所述数据预处理装置1包括数据获取单元11、数据清洗单元12、属性构造单元13、数据变换单元14。所述数据获取单元11用来导入多个项目的多个迭代过程中的测试问题；数据清洗单元12用于筛选出迭代过程中状态为状态正常的测试问题，并组成文本类数据和图片类数据；属性构造单元13用于分别为文本和图片类数据标记问题类型，包含环境类，程序类，数据类以及易用性类等；数据变换单元14用来将属性构造后的数据进行规则化输出，变换成可以建模识别的建模数据源。
如图4所示，为一种文本分类模型装置2的示意图，其中，所述文本分类模型装置2包括分词单元21、数据筛选单元22、向量空间构建单元23、分类计算单元24，分析结果输出单元25。所述分词单元21用于利用fudannlp工具包对问题集进行汉语分词，对名词、动词等词性进行标注，并加入测试类和银行专业类词典，按照不同类别归类分词；数据筛选单元22用于保留每条问题描述中的属于专业类名词、非专业类名词，专业类动词以及非专业类动词，构建成关键词集；向量空间构建单元23用于假设关键词集中的词项个数为n，某关键词为ti，则每个测试问题由多个关键词构成，一个问题t采用vsm方法构建向量空间模型可以表示为t(t1,t2,...,tn)，ti出现则记为1，未出现则记为0，使每个问题构成一个n维的空间向量t＝{t1,t2,...,tn}；分类计算单元24用于使用朴素贝叶斯分类算法构建算法模型，设定每个问题构建为向量t＝{t1,t2,...,tn}，每个问题类别设为ci，问题分类即计算当前向量t被判定为类别ci的条件概率p(ci|t)，其中最大的概率即可判定为属于类别ci。依赖贝叶斯准则可以得到
如图5所示，为一种图片分类模型装置3的示意图，其中，所述图片分类模型装置3包括像素计算单元31、梯度计算单元32、特征提取单元33、分类计算单元34，分析结果输出单元35。所述像素计算单元31用于为了调节每张图颜色的对比度，对每张图片中每个像素点的红、绿、蓝三个色彩值取平均作为图像的灰度值，对灰度化的图像中的每个像素值做归一化处理，得到归一化的图像矩阵为g。设定gamma校正值u抑制噪声干扰，计算校正后的像素值g’(x,y)＝g(x,y)u；其中，g(x,y)表示矩阵g在第x行、第y列的元素像素值；梯度计算单元32用于计算g’(x,y)的水平方向梯度dx(x,y)＝g’(x,y 1)-g’(x,y)；计算g’(x,y)的垂直方向梯度dy(x,y)＝g’(x 1,y)-g’(x,y)；梯度方向值
如图6所示，为一种测试问题处理装置4的示意图，其中，所述测试问题处理装置4包括问题录入单元41、文本分类封装单元42、图片分类封装单元43、测试问题处理输出单元44。问题录入单元41用于支持录入新的测试问题，问题描述支持文本和图片两种方式上传录入，可混合录入也可以只录入文本形式或图片形式；文本分类封装单元42用于对新录入的文本类问题使用文本分类装置封装的函数，对问题进行分词等操作，使用分类函数得到分类结果；图片分类封装单元43用于对新录入的图片类问题使用图片分类装置封装的函数，对问题进行特征计算等操作，使用分类函数得到分类结果；问题分类输出单元44用于输出问题分类结果，并支持人工修改类别，输出最后的测试问题处理结果。
基于上述实施例和场景示例的介绍，可以看出，所述测试问题处理方法在获取到同时包含有文本和图像的测试问题之后，能够针对文本确定第一问题类别，针对图像确定第二问题类别，进而综合所述第一问题类别和第二问题类别确定目标测试问题所属的测试问题类别。通过上述方法，在针对目标测试问题的类别进行识别的过程中，可以综合考虑测试问题中不同格式的测试数据对类型划分结果的影响，从而准确实现了包含多媒体类型的测试问题的分类，有利于后续步骤中基于不同类别的处理方式对测试问题的处理，进而改善了测试对象的应用效果。
基于图1所对应的测试问题处理方法，介绍本说明书实施例一种测试问题处理装置。所述测试问题处理装置可以设置于所述测试问题处理设备。如图7所示，所述测试问题处理装置包括以下模块。
测试问题获取模块710，用于获取目标测试问题；所述目标测试问题中包含有文本类测试问题和图像类测试问题。
第一问题类别确定模块720，用于确定对应于所述文本类测试问题的第一问题类别；所述第一问题类别对应有至少一种处理所述文本类测试问题的处理方式。
第二问题类别获取模块730，用于获取对应于所述图像类测试问题的第二问题类别；所述第二问题类别对应有至少一种处理所述图像类测试问题的处理方式。
测试问题类别确定模块740，用于综合所述第一问题类别和第二问题类别确定所述目标测试问题的测试问题类别。
目标测试问题处理模块750，用于基于所述测试问题类别对应的处理方式处理所述目标测试问题。
所述测试问题处理装置还包括问题类型标记模块，所述问题类型标记模块，用于为所述目标测试问题标记问题类型；所述问题类型包括环境类型、程序类型、数据类型、易用性类型中的至少一种。相应的，所述第一问题类别确定模块包括：基于所述问题类型确定对应于所述文本类测试问题的第一问题类别；所述第二问题类别获取模块，包括：基于所述问题类型获取对应于所述图像类测试问题的第二问题类别。
所述测试问题处理装置还包括：无效测试问题剔除模块，用于从所述目标测试问题中剔除无效测试问题；所述无效测试问题包括文本描述错误或图像不清晰的测试问题。
所述第一问题类别确定模块720还可以包括：分词子模块，用于对所述文本类测试问题进行分词得到至少两个文本分词；关键分词筛选子模块，用于从所述文本分词中筛选出关键分词；关键分词输入子模块，用于将所述关键分词输入文本划分模型得到所述文本类测试问题的第一问题类别。
所述分词子模块，还可以包括分词单元，用于利用fudannlp工具包对所述文本类测试问题进行分词得到至少两个文本分词。
所述关键分词输入子模块中的文本划分模型包括基于朴素贝叶斯分类算法所构建的模型。
所述关键分词输入子模块，还可以包括：空间向量构建单元，用于基于所述关键分词构建空间向量；概率确定单元，用于基于所述空间向量确定所述文本类测试问题对应于至少两个预设问题类别的概率；第一问题类别选取单元，用于基于所述概率的大小从所述预设问题类别中选取第一问题类别。
所述第二问题类别获取模块730可以包括：图像特征提取子模块，用于从所述图像类测试问题中提取图像特征；图像特征输入子模块，用于将所述图像特征输入图像划分模型得到所述图像类测试问题的第二问题类别。
所述图像特征提取子模块，包括：像素值计算单元，用于计算所述图像类测试问题中各个像素点的像素值；梯度信息确定单元，用于根据所述像素值确定对应于所述图像类测试问题的梯度信息；图像特征提取单元，用于基于所述梯度信息利用hog特征算法从所述图像类测试问题中提取图像特征。
所述图像特征输入子模块中的图像划分模型，包括基于svm分类算法构建的模型。
所述测试问题类别确定模块740，包括第一问题类别确定子模块，用于在所述第一问题类别和第二问题类别相同的情况下，将所述第一问题类别或第二问题类别作为所述目标测试问题的测试问题类别。
所述测试问题类别确定模块740，还可以包括第二问题类别确定子模块，用于在所述第一问题类别和第二问题类别不同的情况下，将所述第一问题类别和第二问题类别结合得到所述测试问题类别，或，从所述第一问题类别和第二问题类别中选择得到所述测试问题类别。
所述测试问题类别确定模块740，还可以包括反馈子模块，用于将所述第一问题类别和第二问题类别反馈至管理终端；第三问题类别确定子模块，用于接收所述管理终端反馈的问题类别作为对应于所述目标测试问题的测试问题类别。
基于图1所对应的测试问题处理方法，本说明书实施例提供一种电子设备。如图8所示，所述电子设备可以包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序。
在本实施例中，所述存储器可以按任何适当的方式实现。例如，所述存储器可以为只读存储器、机械硬盘、固态硬盘、或u盘等。所述存储器可以用于存储计算机程序。
在本实施例中，所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式等等。所述处理器可以执行所述计算机程序实现以下步骤：获取目标测试问题；所述目标测试问题中包含有文本类测试问题和图像类测试问题；确定对应于所述文本类测试问题的第一问题类别；所述第一问题类别对应有至少一种处理所述文本类测试问题的处理方式；获取对应于所述图像类测试问题的第二问题类别；所述第二问题类别对应有至少一种处理所述图像类测试问题的处理方式；综合所述第一问题类别和第二问题类别确定所述目标测试问题的测试问题类别；基于所述测试问题类别对应的处理方式处理所述目标测试问题。
需要说明的是，上述测试问题处理方法、装置及设备可以应用于人工智能技术领域，也可以应用至除人工智能技术领域外的其他技术领域，对此不做限制。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的第一硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书可用于众多第一或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
1.一种测试问题处理方法，其特征在于，包括：
获取目标测试问题；所述目标测试问题中包含有文本类测试问题和图像类测试问题；
确定对应于所述文本类测试问题的第一问题类别；所述第一问题类别对应有至少一种处理所述文本类测试问题的处理方式；
获取对应于所述图像类测试问题的第二问题类别；所述第二问题类别对应有至少一种处理所述图像类测试问题的处理方式；
综合所述第一问题类别和第二问题类别确定所述目标测试问题的测试问题类别；
基于所述测试问题类别对应的处理方式处理所述目标测试问题。
2.如权利要求1所述的方法，其特征在于，所述确定对应于所述文本类测试问题的第一问题类别之前，还包括：
为所述目标测试问题标记问题类型；所述问题类型包括环境类型、程序类型、数据类型、易用性类型中的至少一种；
相应的，所述确定对应于所述文本类测试问题的第一问题类别，包括：
基于所述问题类型确定对应于所述文本类测试问题的第一问题类别；
所述获取对应于所述图像类测试问题的第二问题类别，包括：
基于所述问题类型获取对应于所述图像类测试问题的第二问题类别。
3.如权利要求1所述的方法，其特征在于，所述确定对应于所述文本类测试问题的第一问题类别之前，还包括：
从所述目标测试问题中剔除无效测试问题；所述无效测试问题包括文本描述错误或图像不清晰的测试问题。
4.如权利要求1所述的方法，其特征在于，所述确定对应于所述文本类测试问题的第一问题类别，包括：
对所述文本类测试问题进行分词得到至少两个文本分词；
从所述文本分词中筛选出关键分词；
将所述关键分词输入文本划分模型得到所述文本类测试问题的第一问题类别。
5.如权利要求4所述的方法，其特征在于，所述对所述文本类测试问题进行分词得到至少两个文本分词，包括：
利用fudannlp工具包对所述文本类测试问题进行分词得到至少两个文本分词。
6.如权利要求4所述的方法，其特征在于，所述文本划分模型包括基于朴素贝叶斯分类算法所构建的模型。
7.如权利要求6所述的方法，其特征在于，所述将所述关键分词输入文本划分模型得到所述文本类测试问题的第一问题类别，包括：
基于所述关键分词构建空间向量；
基于所述空间向量确定所述文本类测试问题对应于至少两个预设问题类别的概率；
基于所述概率的大小从所述预设问题类别中选取第一问题类别。
8.如权利要求1所述的方法，其特征在于，获取对应于所述图像类测试问题的第二问题类别，包括：
从所述图像类测试问题中提取图像特征；
将所述图像特征输入图像划分模型得到所述图像类测试问题的第二问题类别。
9.如权利要求8所述的方法，其特征在于，所述从所述图像类测试问题中提取图像特征，包括：
计算所述图像类测试问题中各个像素点的像素值；
根据所述像素值确定对应于所述图像类测试问题的梯度信息；
基于所述梯度信息利用hog特征算法从所述图像类测试问题中提取图像特征。
10.如权利要求8所述的方法，其特征在于，所述图像划分模型包括基于svm分类算法构建的模型。
11.如权利要求1所述的方法，其特征在于，所述综合所述第一问题类别和第二问题类别确定所述目标测试问题的测试问题类别，包括：
在所述第一问题类别和第二问题类别相同的情况下，将所述第一问题类别或第二问题类别作为所述目标测试问题的测试问题类别。
12.如权利要求1所述的方法，其特征在于，所述综合所述第一问题类别和第二问题类别确定所述目标测试问题的测试问题类别，包括：
在所述第一问题类别和第二问题类别不同的情况下，将所述第一问题类别和第二问题类别结合得到所述测试问题类别，或，从所述第一问题类别和第二问题类别中选择得到所述测试问题类别。
13.如权利要求1所述的方法，其特征在于，所述综合所述第一问题类别和第二问题类别确定所述目标测试问题的测试问题类别，包括：
将所述第一问题类别和第二问题类别反馈至管理终端；
接收所述管理终端反馈的问题类别作为对应于所述目标测试问题的测试问题类别。
14.一种测试问题处理装置，其特征在于，包括：
测试问题获取模块，用于获取目标测试问题；所述目标测试问题中包含有文本类测试问题和图像类测试问题；
第一问题类别确定模块，用于确定对应于所述文本类测试问题的第一问题类别；所述第一问题类别对应有至少一种处理所述文本类测试问题的处理方式；
第二问题类别获取模块，用于获取对应于所述图像类测试问题的第二问题类别；所述第二问题类别对应有至少一种处理所述图像类测试问题的处理方式；
测试问题类别确定模块，用于综合所述第一问题类别和第二问题类别确定所述目标测试问题的测试问题类别；
目标测试问题处理模块，用于基于所述测试问题类别对应的处理方式处理所述目标测试问题。
15.一种电子设备，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-13中任一项所述方法的步骤。
技术总结