NLP+条件随机场实现解析PRD文档输出测试用例

       17年的一个质量团队的算法竞赛题目，要求每个质量团队（测试开发工程师团队）通过算法实现将 PRD文档解析成测试用例，经过大量咨询BU甚至集团的算法大神后，技术栈定格在了 NLP（自然语言处理）结合条件随机场（算法）来解析无图PRD（PRD有一定规则）通过在线算法模型输出测试用例，基本流程：

1，要求PRD编写一个功能点一句自然语言（有且只有个一个规则）；设计测试用例基本结构为 ：P：前置条件；A：动作；E：预期结果

2，通过条件1的规则 将一个PRD切割出多个功能点语句，放入一个LIST。

3，轮询LIST 给一个 元素（PRD每一句话）调用NLP接口，将此语句分词，去停用词，获取语义关系结构，情感词分析，返回的结果为每一句话为一个JSON结构，如：打开首页点击商品图片后页面跳转到商品详情页。经过NLP分析后 返回的分词 ，每个分词对应NLP赋予的3个属性（这些属性就是后面算法的提取的特征），将JSON结果转化为 矩阵行列数据 如：

4，为上面的分词打标  label 替换为 步骤1 定义的用例每个部分映射 P,A,E （而label前面的 字段 为用的数据特征 后面算法用到）

5，使用wordtovec 将字符串矩阵 数据化 （每个特征的数量范围尽量在一个度量内，否则后面还需要做归一化）。

6，获取条件随机场算法组件，将步骤5的数据 提取80%作为 训练数据 对算法进行模型训练（其实就是求参，理论上训练数据越多，最后训练出的模型在预测结果方面越准确）。

7，调用步骤6训练完的模型，输入将剩余的20%打标数据，进行召回率测试，召回率达到一定要求后 认为此模型已达到预期要求，上线。

8，上线后，提供工程化的接口给业务方，业务方调用此接口传入 PRD信息，在线算法模型返回解析后的 测试用例。如：

 

以上结果就是 算法模型预测的 测试用例，业务层拿到后 可以 组织为一个 特定结构的测试用例。

9，随着训练数据的不断积累，还应建立模型迭代训练，AB测试等流程 逐步优化算法预测能力，提高预测解析的结果的准确率

注：因公司要求不得分享过多细节，这里只记录了整个流程，至于NLP使用的哪个目前市面很多（我们用自己公司内部的），算法训练，部署 可以参考python相关的文章。