HITS: High-coverage LLM-based Unit Test Generation via Method Slicing

大型语言模型（LLMs）在为Java项目生成单元测试方面表现良好。然而，对于覆盖项目内复杂的核心方法，性能较差。复杂的方法包含许多条件和循环，要求测试用例足够多，以覆盖所有行和分支。然而，现有的LLMs测试生成方法将整个方法转交给LLMs进行测试，而没有输入分析的帮助。LLMs难以推断出覆盖所有条件的测试输入，导致缺失行和分支。为了解决这个问题，我们提出将核心方法分解成片段，并要求LLMs逐个片段生成测试用例。我们的方法简化了分析范围，使LLMs更容易在每个片段中覆盖更多的行和分支。我们构建了一个数据集，包括从现有最先进方法使用的项目中收集的复杂核心方法。我们的实验结果表明，我们的方法在行和分支覆盖得分方面显著优于当前的LLMs测试用例生成方法和典型的SBST方法Evosuite。

提高大型语言模型在Java项目单元测试中的覆盖率，特别是针对复杂方法的覆盖率

将复杂方法分解成片段，逐个生成测试用例，简化分析范围，提高覆盖率

通过实验验证了该方法的有效性，相比现有方法和Evosuite都有更高的覆盖率得分，数据集来自现有研究中使用的Java项目，可以为提高单元测试覆盖率提供新思路

与现有的SBST方法和Evosuite进行比较，但具体没有提及其他相关研究