众包测试通过短时间招募大量测试工人对待测软件进行测试,解决了传统测试过程中测试人员组成单一、周期长、成本高的问题。但众包模式下测试人员的非专业和不确定也会导致测试报告质量参差不齐、测试需求覆盖率不达标、重复缺陷报告数量多、效率低的问题。为此,本文设计了“基于知识图谱的众测任务分配技术”,力图通过个性化任务分配充分发挥众包工人在众测中的个体优势和群体智慧,改善上述问题,提高测试报告质量和测试完成效率。技术具体包括三个模块:1)知识图谱数据获取模块:引入“协作式众包测试”概念,构建完整的众测报告提交平台来获取知识图谱所需数据。众包工人在此平台领取三级页面测试任务填写缺陷报告时可以看到他人的相似缺陷报告并在其基础上进行增改,帮助提高报告质量,减少重复报告数目。众包工人也需要执行审核任务,即通过点赞点踩的方式审阅他人缺陷报告,推动最终可交付报告生成。2)知识图谱特征学习模块:系统根据平台中数据构建众包领域内知识图谱,结合众包工人历史执行任务记录作为输入,利用机器学习模型得到众包工人对特定任务的偏好,综合当前测试任务的三级页面覆盖情况,审核任务的缺陷报告点赞点踩数量情况,个性化分配测试任务和审核任务给众包工人。3)知识图谱任务分配模块:将任务分配结果和当前任务执行情况可视化展示给众包工人,帮助提高测试需求的覆盖率和整体测试效率。在实现技术上,本系统前端使用Angular2框架,后端平台部分使用Spring Boot框架经典的MVC架构。热点数据用Redis缓存在内存中提高响应速度,使用No Sql数据库的代表Mongo DB进行数据持久化,有利于提高系统数据的处理速度和灵活性。特征学习模块使用Python脚本构建,利于和存储知识图谱实体关系数据的Neo4j图数据库便捷交互。此外,系统使用Nginx负载均衡,ii使用Docker容器化技术对所有模块进行了独立部署,保证系统各部分的健壮性和可移植性。系统进行了功能测试和性能测试并顺利通过,证明系统满足使用需求。同时通过设计实验的方式比较使用本文技术系统与采用协同过滤技术分配任务的系统在一次众包测试中提交缺陷报告的数量和质量,证明了本文技术有效性。