modelo de tcc para o curso de ciência da computação da …siaibib01.univali.br/pdf/mauro cesar...
TRANSCRIPT
UNIVERSIDADE DO VALE DO ITAJAÍ
CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR
CURSO DE CIÊNCIA DA COMPUTAÇÃO
MOTOR DE INFERÊNCIA PARA SISTEMA WEB DE
RECOMENDAÇÃO DE PACOTES TURÍSTICOS
por
Mauro César Anacleto
Itajaí (SC), junho de 2013
UNIVERSIDADE DO VALE DO ITAJAÍ
CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR
CURSO DE CIÊNCIA DA COMPUTAÇÃO
MOTOR DE INFERÊNCIA PARA SISTEMA WEB DE
RECOMENDAÇÃO DE PACOTES TURÍSTICOS
Área de Inteligência Artificial
por
Mauro César Anacleto
Relatório apresentado à Banca Examinadora
do Trabalho Técnico-científico de Conclusão
do Curso de Ciência da Computação para
análise e aprovação.
Orientador: Rudimar Luís Scaranto Dazzi, Dr.
Itajaí (SC), junho de 2013
RESUMO
ANACLETO, Mauro César. Motor de inferência para sistema WEB de recomendação de
pacotes turísticos. Itajaí, 2013. 90 p. Trabalho Técnico-científico de Conclusão de Curso
(Graduação em Ciência da Computação) – Centro de Ciências Tecnológicas da Terra e do
Mar, Universidade do Vale do Itajaí, Itajaí, 2013.
O marketing digital se tornou vital para grande parte das empresas. Junto do crescimento
econômico, esse contexto tecnológico abriu oportunidade para atuação de Sistemas de
Recomendação que inferem a preferência na escolha de serviços e produtos. Esse contexto e o
desenvolvimento parcial do Sistema Crestani, motivaram a implementação desta máquina de
inferência, que integrada ao Crestani, usando a teoria psicológica na aplicação de
questionamentos, sugere pacotes turísticos que mais se adequam ao perfil do cliente potencial.
Para o projeto, foi realizada a modelagem do subsistema, apresentando diagramas e os
requisitos técnicos inerentes. A implementação foi feita em linguagem web, JAVA, utilizando
Raciocínio Baseado em Casos como técnica de IA e a integração foi realizada através de
WEBSERVICE, especificamente o REST. Ao final, após testes e revisões, o projeto resultou
num motor de inferência integrado ao Sistema Crestani, compondo um Sistema de
Recomendação como aplicação da rede social Facebook, hoje a maior e mais difundida no
país, agregando valor ao marketing digital de empresa do ramo do turismo, alavancando
vendas a partir deste aplicativo em situações, inclusive onde nem mesmo o usuário tinha
interesse e em contrapartida o sistema infere, baseado no histórico de outros usuários, uma
vontade que era implícita ao próprio cliente.
Palavras-chave: Motor de inferência. Recomendação Baseada em Casos. Recomendação
Turística.
ABSTRACT
Digital marketing has become vital for most companies. Along with economic growth, this
technological context opened an opportunity for work in Recommendation Systems that infer
the preference in choose services and products to Internet users that didn't even know they
were in need of it. This context and the partial development of Crestani System, led to the
implementation of this inference machine, which integrated with Crestani, using
psychological theory in the application of issues, suggests tour packages that best fit the
profile of the potential customer. The implementation of this subsystem will be made in web
language, JAVA, using Case Based Reasoning as a technique of AI and integration was
accomplished through webservices, especifically REST. At the end, the result was an
inference engine integrated with Crestani System, composing a recommendation system as
application of the social network Facebook, now the largest and most widespread in the
country, adding value to digital marketing company in the tourism field, boosting sales from
this application in situations including when the user was not even interested in, and so the
system infers, based on the history of other users, a wish that was implicit to the customer.
Keywords: Inference-Motor, Case-Based Recommendation, Tourist Recommendation.
LISTA DE ABREVIATURAS E SIGLAS
ANATEL Agência Nacional de Telecomunicações
CNPQ Conselho Nacional de Desenvolvimento Científico e Tecnológico
IA Inteligência Artificial
ONU Organizações das Nações Unidas
OMT Organização Mundial do Turismo
RBC Raciocínio Baseado em Casos
REST Representation State Transfer
TTC Trabalho Técnico-Científico de Conclusão de Curso
ULBRA Universidade Luterana do Brasil
UML Universal Modelling Language
UNIVALI Universidade do Vale do Itajaí
URL Uniform Ressource Locator
LISTA DE FIGURAS
Figura 1. Distribuição da população por classe de consumo. ................................................... 11
Figura 2. Ciclo de solução de problema de um sistema RBC. ................................................. 27
Figura 3. Tela de questionário do Sistema RecomenTUR. ...................................................... 38
Figura 4. Palavras-Chave do Sistema RecomenTUR. .............................................................. 39
Figura 5. Recomendação por classificação do Sistema RecomenTUR. ................................... 39
Figura 6. Tela de Solicitação de Recomendação. ..................................................................... 41
Figura 7. Tela de Pacotes Recomendados. ............................................................................... 42
Figura 8. Fluxograma de funcionamento do AG. ..................................................................... 43
Figura 9. Rede Bayesiana do SADTUR ................................................................................... 45
Figura 10. Inferência bayesiana para probabilidade de acontecer turismo histórico, cultura e
científico. .................................................................................................................................. 46
Figura 11. Inferência bayesiana para ecoturismo ..................................................................... 47
Figura 12. Solicitação de Permissão. ........................................................................................ 50
Figura 13. Questões do Sistema Crestani. ................................................................................ 50
Figura 14. Sugestão. ................................................................................................................. 52
Figura 15. Postagem do Crestani na linha do tempo do usuário. ............................................. 53
Figura 16. Diagrama de Casos de Uso. .................................................................................... 55
Figura 17. Diagrama de Classes ............................................................................................... 64
Figura 18. Diagrama de Casos de Uso ..................................................................................... 65
Figura 19. Modelagem Banco de Dados - CASO .................................................................... 66
LISTA DE TABELAS
Tabela 1. Comparação entre Sistemas ...................................................................................... 48
Tabela 2. Índices e parâmetros ................................................................................................. 57
Tabela 3. Índice Humor ............................................................................................................ 57
Tabela 4. Índice Perfil .............................................................................................................. 58
Tabela 5. Índice sexo ................................................................................................................ 58
Tabela 6. Índice idade ............................................................................................................... 59
Tabela 7. Índice estado civil ..................................................................................................... 59
Tabela 8. Exemplo de base de casos......................................................................................... 60
Tabela 9. Situação-Problema .................................................................................................... 61
Tabela 10. Distância entre situação-problema e base de casos ................................................ 62
Tabela 11. Teste do Psicólogo .................................................................................................. 71
LISTA DE QUADROS
Quadro 1. URL de Integração................................................................................................... 67
Quadro 2. Dados de Teste......................................................................................................... 69
Quadro 3. Dados de Teste 2...................................................................................................... 70
LISTA DE EQUAÇÕES
Equação 1 ................................................................................................................................. 56
Equação 2 ................................................................................................................................. 61
SUMÁRIO
1 INTRODUÇÃO .......................................................................................... 11
1.1 PROBLEMATIZAÇÃO ........................................................................................ 14
1.1.1 Formulação do Problema ..................................................................................................14
1.1.2 Solução Proposta ..............................................................................................................15
1.2 OBJETIVOS ........................................................................................................... 15
1.2.1 Objetivo Geral ..................................................................................................................15
1.2.2 Objetivos Específicos .......................................................................................................15
1.3 Metodologia ............................................................................................................. 16
1.4 Estrutura do Trabalho ........................................................................................... 17
2 FUNDAMENTAÇÃO TEÓRICA ............................................................ 18
2.1 Turismo ................................................................................................................... 18
2.1.1 Marketing no Turismo ......................................................................................................20
2.2 Testagem Psicológica .............................................................................................. 23
2.2.1 Conceito ............................................................................................................................23
2.2.2 Testagem Direcionando o Marketing ...............................................................................24
2.3 Raciocínio Baseado em Casos ................................................................................ 24
2.3.1 Representação do Conhecimento......................................................................................28
2.3.2 Similaridade ......................................................................................................................29
2.3.3 Adaptação .........................................................................................................................32
2.3.4 Aprendizado .....................................................................................................................34
2.4 Sistema de Recomendação ..................................................................................... 35
2.5 Trabalhos Correlatos ............................................................................................. 37
2.5.1 RecomenTur .....................................................................................................................37
2.5.2 Sistema de Recomendação de Pacotes Turísticos Baseado em Filtragem Colaborativa
Usando Algoritmos Genéticos .......................................................................................................40
2.5.3 SADTUR ..........................................................................................................................43
2.5.4 Comparativo entre os Sistemas ........................................................................................47
2.6 Sistema Crestani ..................................................................................................... 48
2.6.1 Funcionamento do Sistema ...............................................................................................49
3 Desenvolvimento ......................................................................................... 54
3.1 Escopo do projeto ................................................................................................... 54
3.2 Modelagem do Sistema ........................................................................................... 55
3.2.1 Vocabulário de Índices .....................................................................................................56
3.2.2 Algoritmo .........................................................................................................................60
3.2.3 Análise de Requisitos .......................................................................................................63
3.2.4 Diagrama de Classes.........................................................................................................63
3.2.5 Diagrama de Casos de Uso ...............................................................................................64
3.3 Modelagem do Banco de Dados ............................................................................. 66
3.4 Integração ................................................................................................................ 66
3.5 Testes ....................................................................................................................... 67
4 Conclusões ................................................................................................... 73
REFERÊNCIAS ................................................................................................ 75
5 Anexo A ....................................................................................................... 83
6 Anexo B........................................................................................................ 87
7 Anexo C ....................................................................................................... 91
1 INTRODUÇÃO
Conforme relata Brandão (2010), a chamada Nova Classe C, está sendo representada
por aproximadamente 100 milhões de pessoas - mais da metade da população brasileira. Os
dados da pesquisa de Observador (2011) mostram que a representação geométrica da divisão
de classes de consumo e renda mais adequada à realidade brasileira já não é mais a da
pirâmide, e sim, a do losango, e ainda que esta faixa, representando 52% da população, é
predominantemente jovem, conforme ilustra a Figura 1.
Figura 1. Distribuição da população por classe de consumo.
Fonte: Observador (2011)
Um dado bastante relevante a ser considerado na matéria apresentada pela Revista
Exame (SMARTPHONE, 2009), é o apontamento da Internet como a segunda mídia que mais
influencia o cidadão - da classe A/B - na hora da compra de um produto (32%), perdendo em
apenas 4 pontos para a maior influência - a televisão. Na classe C, a Internet surge com 19%
de influência na aquisição de quaisquer produtos.
Levando em conta que estes dados são de 2009 e com a intensificação deste contexto
apontado pelas mais diversas pesquisas que vem sendo realizadas no Brasil, faz-se crer num
aumento deste cenário cada vez mais significativo, colocando a Internet em foco para a
exploração de marketing dos mais diversos ramos comerciais. Paralelamente, pode-se citar a
invasão dos aparelhos celulares e dos smartphones como ferramenta básica para qualquer
12
cidadão inserido na nova realidade, seja no âmbito social, quanto profissional. Conforme
dados do Relatório Anual da Agência Nacional de Telecomunicações (ANATEL, 2010), a
quantidade de aparelhos celulares, ultrapassou em números a população brasileira em outubro
de 2010, quando sua marca era 194,4 milhões de aparelhos.
Neste novo paradigma, o marketing praticado com os clientes, segundo SCHMITT
(2000), deve ser reavaliado em decorrência das transformações que a tecnologia da
informação – em particular a internet – produzem no mercado.
Nossos hábitos, como pessoas conectadas, tornam-se hábitos como consumidores e
tornam-se também hábitos como funcionários. Hoje, quase um em cada sete habitantes do
planeta está no Facebook. As plataformas de mídias sociais estão potencializando as nossas
conexões. O Facebook não é apenas brincadeira de adolescentes ociosos (TAURION, 2012).
Na visão de explorar este novo paradigma de marketing, o desenvolvimento de
aplicativos e afins, que são inseridos nessas redes sociais, deslumbra um novo nicho de
mercado, altamente rentável, tanto para as empresas que os utilizam a seu favor e de seus
produtos, como para os desenvolvedores que comercializam sua especialidade a estas
empresas (PRAESTO, 2010).
Contando com todo esse mercado que é implícito (e por muitas vezes explícito) nas
redes sociais, conforme cita Dias (2012), o Facebook ultrapassa a marca Google nos Estados
Unidos em 2010 em relação às quantidades de acesso. E ainda, após receber, no início de
2011, um investimento de US$ 500 milhões da Goldman Sachs, um dos mais experientes
investidores de Wall Street e de um investidor russo, a empresa Facebook chegou ao valor de
US$ 50 bilhões, tornando-o mais valioso que empresas como eBay, Yahoo e TimeWarner
(CARVALHO, 2011).
Um dos ramos que tem explorado significativamente esta nova prática de mercado,
utilizando-se da Internet como estratégia de marketing, é o turismo. Para Manoela Amarao
Mugnaini, gerente geral de marketing da TAM, em 2007, já dizia que a web mudou o
processo de compra de produtos e serviços ligados ao turismo. Desde 2002 investia-se em
marketing online, a companhia encontrou na rede não apenas um novo canal de vendas, mas
também a possibilidade de visualizar alterações no estilo de vida do cliente. “Os resultados
13
refletem diretamente na percepção de uma marca presente, no crescimento das vendas online
com taxas superiores às do mercado e no entendimento das novas tendências no
comportamento dos consumidores” (INSIDER, 2007, p.5).
Disponibilizar informações corretas, relevantes e de forma dinâmica são fundamentais
para auxiliar os clientes de agências de turismo e as empresas a realizarem escolhas
apropriadas, pois, dificilmente é possível realizar um pré-teste do produto ou receber o
dinheiro de volta caso as expectativas não sejam, no mínimo, atendidas (O'CONNOR, 2001).
Os investimentos, por conta das grandes indústrias e redes comerciais, para agradar os
usuários tem sido constantes, mas não basta apenas fornecer serviços de alta qualidade, os
usuários são volúveis e a permanência deles enquanto clientes costumeiros dependem de se
adaptar aos seus gostos e preferências, numa tentativa de tornar mais envolvente e útil para os
mesmos. Segundo Cabrino (2002), oferecer mais do que o esperado e surpreender, é
extremamente importante para que as diferenciações sejam notadas e para que os clientes se
tornem cada vez mais propensos a adquirir produtos e/ou serviços, que vão além do aspecto
material, que tornam sua marca evidenciada e extremamente valiosa, pois ocupa uma posição
de destaque no mercado, a mente do seu consumidor. Descobrir o que o usuário deseja é uma
das questões chave da recomendação WEB, visto que esta informação não é evidente.
Este Trabalho Técnico-científico de Conclusão de Curso (TTC) veio de encontro com
esta nova realidade do turismo, onde há a necessidade do mercado em produzir máquinas
computacionais que permitam que esta recomendação seja feita da forma mais automatizada
possível, amigável e ao mesmo tempo eficiente fazendo com que o cliente em potencial seja
conquistado a partir do reconhecimento da sua necessidade ora implícita.
São inúmeras as técnicas disponíveis para inferir os desejos do usuário, umas com
mais outras com menos eficiência. No âmbito da IA podem-se citar algoritmos genéticos,
redes neurais, lógica nebulosa (fuzzy), lógica paraconsistente anotada cálculos estatísticos
(SOUZA, 2009).
Para o desenvolvimento deste sistema de recomendação, objetivo principal do TTC,
foi utilizado o modelo de RBC (Raciocínio Baseado em Casos), uma das abordagens da
Inteligência Artificial, baseada em perguntas e respostas, onde a partir de uma métrica pré-
14
estabelecida, chega-se a um resultado final. Conforme Miotto (2006, p.30), "o processo
característico do RBC, Raciocínio Baseado em Casos, consiste em identificar o problema
atual, buscar a experiência mais semelhante na memória e aplicar o conhecimento desta
experiência passada no problema atual".
Assim, o trabalho aborda a aplicação da técnica de RBC na interpretação de dados de
um questionário para a recomendação WEB no mercado turístico, facilitando às empresas do
ramo e automatizando os atendimentos e consultorias personalizadas que indicariam o perfil
do cliente e seus respectivos pacotes de viagem.
Este questionário foi formulado com base no conceito da testagem psicológica, onde
Cronbach (1996) define o teste como um procedimento que tem como finalidade a observação
e apresentação do comportamento, utilizando escalas numéricas ou categorias fixas. O teor do
termo sistemático refere-se à mesma situação ou situações comparáveis em que o examinador
realiza a coleta das informações, os questionamentos ou observações, utilizando-se sempre da
mesma maneira.
Para a aplicação deste modelo foi utilizado como base o Sistema Crestani, que é o
resultado de um trabalho já apresentado neste mesmo contexto e com os mesmos propósitos,
desenvolvido por Coelho (2011), no Curso de Tecnologia em Sistemas para Internet na
Universidade do Vale do Itajaí (UNIVALI). Porém, o trabalho é uma aplicação web para
aquisição de pacotes turísticos, que não realiza a sugestão de pacotes em função do perfil do
usuário. O sistema de recomendação de pacotes foi a proposta deste projeto, que teve sua
integração à aplicação web, complementando o produto final.
1.1 PROBLEMATIZAÇÃO
1.1.1 Formulação do Problema
A computação está se tornando tão ubíqua que se torna praticamente impossível
separar o mundo físico do digital. Subestimar o impacto das transformações digitais pode
colocar em risco o negócio, por mais sólido que ele pareça. As empresas podem ficar paradas
esperando que as transformações passem por cima delas ou identificar oportunidades de
aumentar seu espaço no mercado (TAURION, 2012).
15
Num ambiente tão fértil, pode-se explorar aquilo que nem mesmo o próprio cliente
sabe que precisa ou deseja. Neste sentido, a empresa Crestani buscou, no âmbito do turismo,
alavancar clientes através de um Sistema de Recomendação de pacotes turísticos, onde
usuários respondem questões e a partir das escolhas, é oferecido um pacote turístico que mais
se adequa ao seu perfil, buscando além da interação com o usuário, proposições que
despertem o interesse pela compra (COELHO, 2011).
O Sistema Crestani foi desenvolvido na plataforma do Facebook, rede social mais
difundida no Brasil atualmente, e utilizou um motor de inferência bastante simplificado,
meramente estatístico, visto que este não era o foco do trabalho.
No intuito de evoluir o trabalho e torná-lo comercial de fato, se fazia necessário o
desenvolvimento de um motor de inferência mais inteligente e capaz de melhorar a cada
interação, garantindo ao Sistema o melhoramento constante das sugestões apresentadas aos
usuários.
1.1.2 Solução Proposta
A técnica de Inteligência Artificial denominada Raciocínio Baseado em Casos foi
utilizada para implementar o motor de inferência do Sistema Crestani, objetivo principal deste
Trabalho Técnico-Científico. Desta forma o sistema está apto a recomendar, de forma
inteligente, pacotes turísticos de acordo com o perfil do cliente em potencial.
1.2 OBJETIVOS
1.2.1 Objetivo Geral
Desenvolvimento de um motor de inferência para um sistema de recomendação de
pacotes turísticos utilizando Raciocínio Baseado em Casos.
1.2.2 Objetivos Específicos
Pesquisar e fundamentar os conceitos necessários;
Modelar o sistema de RBC definindo todos os parâmetros e métricas necessárias
Implementar a máquina de inferência;
16
Incluir os casos iniciais na base, fazendo ajustes e adequações necessárias;
Integrar a máquina de inferência ao sistema web já desenvolvido;
Testar e avaliar a implementação.
1.3 Metodologia
A Fundamentação Teórica, além de contextualizar o mercado do turismo e seu
marketing, atingiu um objetivo específico do trabalho: Pesquisar e fundamentar o conceito
RBC.
A pesquisa, estudo e fundamentação foram realizados através de documentos e leituras
diversas na Internet; além de livros na biblioteca da UNIVALI (Universidade do Vale do
Itajaí). Ainda foram utilizadas revistas técnicas e periódicos.
Para contribuir com o trabalho desenvolvido, foram realizadas reuniões junto ao
Psicólogo Carlos Eduardo Krambeck de Souza, formado pela UNIVALI, que acompanha o
projeto desde sua concepção, se disponibilizou a assessorar e prestar consultoria no que fosse
preciso no decorrer da elaboração do projeto e sua implementação. Reuniões também foram
realizadas com Fábio Coelho, responsável pelo desenvolvimento do Sistema Crestani, que
realizou o repasse de conhecimento e se predispôs a acompanhar e auxiliar no
desenvolvimento do motor de inferência e na integração ao Sistema Crestani.
Para compor o projeto, utilizou-se a UML como linguagem padrão, uniformizando
gráficos e elementos textuais. Visando a apresentação do projeto, resultando na modelagem
do sistema, foram apresentados Diagramas de Caso de Uso, Diagrama de Sequência
Diagrama de Classes, além dos Requisitos Funcionais e Não-Funcionais.
Já a codificação do sistema modelado foi baseada na linguagem de programação
JAVA, utilizando a interface de desenvolvimento Eclipse. Como banco de dados foi utilizado
MySQL. Foram realizadas tais escolhas por possuir vasto material referencial na Internet e
diversos grupos de estudo, além de serem gratuitas e baseadas em software livre. Não foi
utilizado framework para o desenvolvimento da máquina de inferência.
17
Para efeitos de testes e execução da Máquina de Inferência foi utilizado um servidor
externo, através de uma conta já existente na empresa Amazon Web Services, acessada
através do endereço: http://ec2-107-22-49-23.compute-1.amazonaws.com, através da porta
8080.
1.4 Estrutura do Trabalho
Este trabalho está estruturado em quatro capítulos: Introdução, Fundamentação
Teórica, Desenvolvimento e Conclusões.
O Capítulo 1 aborda a introdução ao tema, apresentando o problema e a solução,
finalidade deste trabalho. Exibe ainda o objetivo geral e os específicos, detalhando a
metodologia que foi adotada para alcança-los nesta primeira etapa.
O segundo capítulo apresenta uma revisão bibliográfica sobre turismo, os métodos
atuais de marketing e testagem psicológica. Também foram explorados os conceitos de IA e
especificamente sobre o Raciocínio Baseado em Casos, técnica a ser utilizada no
desenvolvimento deste projeto, bem como as técnicas de desenvolvimento destas máquinas de
inferência.
O Capítulo 3 apresenta o desenvolvimento do sistema, onde é detalhado o
funcionamento do Sistema Crestani e a integração deste sistema com o Motor de Inferência,
bem como toda a modelagem do sistema, contando com o vocabulário, apresentação do
algoritmo, análise de requisitos, diagrama de classes, diagrama de casos de uso e a
modelagem do banco de dados. O capítulo apresenta, ainda, os testes e verificações realizados
para aferir o funcionamento do sistema.
Por fim, no Capítulo 4 são expostas as conclusões do trabalho, abordando os
resultados finais e as alterações estratégicas para atingir aos objetivos propostos, além da
proposição de um trabalho futuro.
2 FUNDAMENTAÇÃO TEÓRICA
No capítulo da Fundamentação Teórica serão abordados os principais temas
relacionados ao projeto desenvolvido. Para contextualizar o projeto, são apontados conceitos
acerca do turismo e do novo paradigma de marketing aplicado ao turismo, além de conceituar
testagem psicológica, que é o método de obtenção de dados que foram utilizados pela
máquina de inferência. Também serão conceituados Sistemas de Recomendação, Inteligência
Artificial, e especificamente, Raciocínio Baseado em Casos.
2.1 Turismo
A etimologia da palavra turismo está relacionada aos termos tornus e tornare do latim,
turn do inglês e tour do francês. Em todas as situações faz-se referência ao conceito de girar,
dar a volta, retornar ao mesmo lugar (MEYER, 2007).
De acordo com Smith (1977, p.30), “turismo é composto por um agregado de
atividades de negócios que, direta ou indiretamente, fornecem bens ou serviços que suportam
as atividades de lazer e de negócio realizadas pelas pessoas fora dos seus locais de trabalho e
residência habitual”.
Outro conceito, conforme Schattenhofen (1911, apud BARRETO, 1999), delega que o
turismo abrange todos os processos, especialmente econômicos, que se manifestam na
afluência, permanência ou regresso do turista, dentro e fora de um determinado território.
Já Moesch (1999) entende que o turismo compreende não somente o materialismo,
mas também os anseios e aspirações dos envolvidos no processo:
A motivação básica dos sujeitos, em relação ao consumo, não é, portanto,
simplesmente, materialista. Eles procuram, sim, vivenciar, “na realidade”, os dramas
agradáveis que já vivenciaram em sua imaginação, mesmo que estes jamais sejam
perfeitos e conduzam à desilusão e ao anseio por produtos novos. Existe uma
dialética da novidade e da insaciabilidade no âmago do consumismo Pós-moderno.
O Turismo constitui um destes paradigmas. (MOESCH, 1999, p. 108)
Dentre as várias definições estabelecidas acerca do turismo, a Organização Mundial do
Turismo (OMT), que é uma agência especializada da Organização das Nações Unidas (ONU)
19
e a principal organização internacional na área do turismo, buscou homogeneizar e conceituou
turismo como um conjunto de atividades praticadas pelos indivíduos durante as suas viagens e
permanências em locais situados fora do seu ambiente habitual, por um período contínuo que
não ultrapasse um ano, por motivos de lazer, negócios e outros (OMT, 2001).
De acordo com Ignarra (2003), os viajantes são consumidores de serviços turísticos,
quaisquer que sejam suas motivações. Especificamente o turista, é um viajante que trafega
com o objetivo de recreação. Quando este viajante, com os mesmos objetivos, não pernoita na
localidade visitada, é chamado de excursionista ou turista de um dia.
Já Macintosh (2000) classifica turistas da seguinte forma:
Alocêntricos: tem motivos educacionais e culturais, políticos ou de
divertimentos caros, como jogos de azar, e viajam individualmente;
Quase Alocêntricos: são motivados por eventos esportivos, religiosos,
profissionais e culturais;
Mediocêntrico: são motivados pela busca do descanso, quebra da rotina,
aventuras sexuais e gastronômicas e tratamento de saúde;
Quase Psicocêntricos: viajam em busca de status social;
Psicocêntricos: são motivados por campanhas publicitárias.
Para entender a atitude do turista atualmente, faz-se necessária a compreensão do
comportamento historicamente. Swarbrooke e Horner (2002) destacam a Europa como o
destino mais procurado desde os primeiros registros da experiência turística. A partir de 776
a.c., os Jogos Olímpicos e as práticas religiosas colocavam na rota a Grécia Antiga.
Mesmo nos dias de hoje, estes eventos são bastante relevantes e provocam um fluxo
intenso de visitantes, reunindo pessoas de diversos lugares com um único objetivo, sendo
disputas esportivas ou eventos religiosos. Durante os campeonatos, até mesmo as guerras
eram interrompidas, mostrando que o anseio por lazer altera o cotidiano de uma sociedade.
20
Nesse processo histórico, os romanos também tiveram forte significância, pois as vias
de acesso e hospedarias nas áreas por eles dominadas no auge do seu Império serviam de
introdução à ideia de lazer e do prazer, inclusive nos balneários procurados por razões
terapêuticas (SWARBROOKE e HORNER, 2002).
O desenvolvimento da prática turística ficou ainda mais evidente após a Segunda
Guerra Mundial, onde a sociedade reestruturava-se do acontecido. Castelli (2003, p.21) relata
que neste período “as atividades turísticas ganharam melhor organização em diversos países
(...) desenvolveram-se os meios de transporte, os meios de hospedagem, as agências de
turismo, a infraestrutura de base, etc.”.
A partir da década de 20, a demanda do turismo aumenta com o consumo em massa
padronizado e a revalorização do tempo livre. Como marca do modernismo, a estabilidade
produtiva refletiu num comportamento fácil de prognosticar por parte do turista, tornando
“previsíveis as expectativas da demanda, as estratégias da concorrência e, em geral, as
grandes diretrizes que orientavam a evolução do turismo, independente da região ou do país
onde se buscasse intervir na performance” (MOLINA, 2004, p.26).
Entretanto, essa conduta se alterou consideravelmente nos dias atuais. O
comportamento do turista sofre uma espécie de revolução, cujo objetivo passa a focar em
produtos diferenciados, personalizados, flexíveis e qualificados. Com a globalização
instalada, o perfil do turista ocorre alteração de tempo e espaço. As férias não,
necessariamente, são pré-estabelecidas, sendo fragmentadas ao longo do ano. As viagens dão
espaço para a busca de novas experiências, aumentando o consumo e diversificando as
atividades (MEYER, 2007).
2.1.1 Marketing no Turismo
Segundo Kotler (2000), marketing é a atividade humana dirigida para a satisfação das
necessidades e desejos, através dos processos de troca. Portanto, é nas necessidades humanas
de comida, ar, água, roupa, abrigo, recreação, educação e outros serviços que reside o
referencial para o estudo do marketing.
Um pouco mais abrangente, Las Casas (2005) define marketing como:
21
É a área do conhecimento que engloba todas as atividades concernentes às relações
de troca, orientadas para a satisfação dos desejos e necessidades dos consumidores,
visando alcançar determinados objetivos de empresas ou indivíduos e considerando
sempre o meio ambiente de atuação e o impacto que essas relações causam no bem
estar da sociedade (LAS CASAS, 2005, p.26).
Afirma ainda Kotler (2000) que marketing tem como objetivo o processo de
planejamento e execução da concepção, preço, promoção e distribuição de ideias, bens e
serviços, para criar trocas que satisfaçam metas individuais e organizacionais.
Dentre as diversas definições, presume-se que o marketing é a arte de venda de
produtos, entretanto, Kotler (2000) surpreende ao alegar que o mais importante na atividade
de marketing não é vender, mas conhecer e compreender tão bem o cliente que o produto ou
serviço se adapte a ele e se torne satisfatório e a venda aconteça por si só. É neste sentido que
o marketing turístico deve ser inserido, uma vez que seu produto e serviço não são
classificados como essenciais na vida da maioria das pessoas.
Ruschmann (2003) define que o produto turístico difere dos produtos industrializados
e de comércio, visto que é composto de elementos e percepções intangíveis e nos olhos do
consumidor é sentido como uma experiência. Por conta desta visão diferenciada do produto,
faz-se necessário a elaboração de um plano de marketing baseado nas características
especificas do público alvo, gerando uma comunicação publicitária e promocional adequada.
As ferramentas de comunicação de marketing em uma situação de serviço, como os
hotéis (turismo), segundo Lovelock e Wright (2005), são individualmente importantes visto
que, quando utilizadas estrategicamente, permitem criar imagens fortes e um senso de
credibilidade, confiança e tranquilidade. A definição de marcas nominais, elementos de
design empresariais facilmente reconhecíveis e cenários de serviços bem montados, as
empresas podem dar visibilidade e personalidade a suas intangíveis ofertas de serviço.
Um dos grandes desafios gerenciais a serem enfrentados pelas organizações atuais é a
necessidade de estarem preparadas para agir em um ambiente de mudanças constantes
(DRUCKER, 1999).
Nesse sentido, no contexto da Era da Informação, Vaz (2010) complementa:
22
Os consumidores querem ter flexibilidade de escolha e escutar o que dizem sobre a
marca, opiniões isentas e objetivas de pessoas comuns como ele, as pessoas querem
exercer o poder de escolha que tem, para adquirir a solução que acreditam ser a
melhor, e não a que a empresa lhes diga. Ferramentas para pesquisa eles tem – a
Internet e as redes sociais estão aí, com uma enorme quantidade de elementos para
que eles exerçam tal poder – a era do ‘vender’ dá lugar à do ‘ajudar a comprar’
(VAZ, 2010, p.69).
Instigando a necessidade ou aspiração do consumidor, a demanda é criada, ganha vida
e o marketing direciona o cliente em potencial para a efetivação da compra. O turista só pode
tomar conhecimento de um produto turístico se a aplicação da estratégia de marketing o
atingir.
Dessa maneira, atualmente um turista em qualquer lugar do mundo pode pesquisar e
montar sua viagem, comprar passagens, reservar hotéis, alugar carros e programar passeios
turísticos sem sair de casa. Essa é a comodidade, flexibilidade e agilidade que o turista de hoje
busca e consequentemente que o mercado turístico deve oferecer. O marketing digital no
turismo se torna essencial nessa conjuntura.
Li (2009, p. 10) aborda o sucesso do que ela nomeia de groundswell, que diz respeito a
uma nova forma das pessoas se relacionarem com as empresas e com as outras. “O
groundswell é: uma tendência social na qual as pessoas usam a tecnologia para obter o que
desejam umas das outras, e não com instituições tradicionais como as corporações”.
Segundo Li (2009), esse fenômeno atual é formado por um tripé: pessoas, tecnologia e
aspectos financeiros. As redes sociais surgiram a partir da dependência entre pessoas e do
apoio entre elas e do serviço que a tecnologia dispõe. Frente ao aumento de acesso à Internet,
consumidores em potencial, consequentemente, trafegam e gastam seu tempo pelos sites,
inclusive os de compra. Essa tendência é aliada ao hábito e desejo das pessoas de se conectar
às novas tecnologias interativas.
É nesse ínterim: redes sociais, que se destaca o nicho de alta promissão, e que já vem
sendo explorado por diversas empresas. O oferecimento de produtos turísticos, valendo-se da
tendência tecnológica, aliando o marketing direcionado ao potencial cliente disponível nessas
plataformas, vem sendo um dos focos estratégicos no mercado turístico.
23
2.2 Testagem Psicológica
A avaliação de uma maneira geral, seja ela psicológica, ou não, é de extrema
relevância para as tomadas de decisões, uma vez que a avaliação orienta uma ação mais
segura e adequada em determinado contexto (WITTER; DAVID, 1996). Aftanas (1994) em
seu estudo, conclui que a avaliação psicológica deve ser considerada como uma necessidade
primária no trabalho da psicologia.
No mesmo sentido, para Noronha e Vendramini (2003), os testes psicológicos são
utilizados na coleta de dados, que junto das demais informações organizadas pelo profissional
psicólogo, colaboram o entendimento do problema estudado, no intuito de facilitar a tomada
de decisões.
De acordo com Oakland (1996), a testagem é forte em países que estimam a
tecnologia e as diferenças individuais, que tem bem desenvolvido o seu sistema educacional e
que possuem recursos comerciais e tecnológicos para produzi-los. Ele argumenta que o
recurso de uso de testes é pouco difundido nos países que não apresentam essas qualidades.
No contexto deste projeto, a testagem psicológica é o método utilizado pelo Sistema
Crestani a fim de captar dados do usuário através de questões e a partir das respostas
determinar uma pontuação para cada característica deste usuário. Estas informações são os
dados de entrada da máquina de inferência, produto deste TTC.
2.2.1 Conceito
O conceito de avaliação psicológica é amplo, se refere ao modo de conhecer
fenômenos e processos psicológicos por meio de procedimentos de diagnósticos e
prognósticos, para criar as condições de aferição de dados e dimensionar esse conhecimento
(ALCHIERI; CRUZ, 2003).
Para Anastasi (1977, p.24), teste psicológico é “uma medida objetiva e padronizada
de uma amostra de comportamento, que têm um valor diagnóstico ou preditivo dependendo
do grau em que ele serve como indicador”. O autor referencia diagnóstico como sendo a
avaliação nas condições do instante em que a pessoa se encontra, e preditivo, como uma
estimativa temporal inferida para as ações futuras, a partir do desempenho atual no teste.
24
Já o Conselho Federal de Psicologia (CFP, 2003), a fim de equalizar o conceito e
normatizar a atividade, através da Resolução no02, definiu teste psicológico como instrumento
de avaliação ou mensuração de características psicológicas, constituindo-se um método ou
uma técnica de uso privativo do psicólogo.
2.2.2 Testagem Direcionando o Marketing
Na sociedade atual, as empresas buscam os melhores sistemas de informação
objetivando vantagem competitiva. Com informações rápidas e incrivelmente detalhadas
sobre desejos, preferências e comportamento dos compradores, a empresa tem condições de
escolher melhor seus mercados, desenvolver e focar ofertas e executar melhor seu
planejamento de marketing (KOTLER, 2000).
Para Kotler (2000), um sistema de apoio a decisões de marketing é um conjunto
coordenado de dados, sistemas, ferramentas e técnicas, onde uma empresa coleta e interpreta
informações relevantes, traduzindo em ação de marketing.
É nesse contexto que a testagem vem agregar valor ao marketing de forma sistemática
e com critérios construídos com base na psicologia. A inferência de perfis, a partir de
testagens, demonstra características de compradores em potencial e, de acordo com Kotler
(2000), esses atributos e seus processos de decisão levam a certas decisões de compra, e o
conhecimento do consciente do comprador, permite estimular, através de um marketing
direcionado, a decisão de compra.
Nesse sentido, a testagem aplicada no Sistema Crestani dá suporte e gera dados que
são repassados para a máquina de inferência afim de, através de cálculos de similaridade e
aplicação de parâmetros em uma base de dados já existente, inferir pacotes turísticos de
acordo com o perfil da situação encontrada na testagem e dessa forma sugerir ao usuário,
serviços e produtos onde nem mesmo ele sabia que necessitava (COELHO, 2011).
2.3 Raciocínio Baseado em Casos
Segundo Miranda e Santos (2005), Raciocínio Baseado em Casos (RBC) é uma
ferramenta de raciocínio da Inteligência Artificial. A filosofia básica desta técnica é a de
25
buscar a solução para uma situação atual através da comparação com uma experiência passada
semelhante. O processo característico do RBC consiste em: identificar o problema atual,
buscar a experiência mais semelhante na memória e aplicar o conhecimento dessa experiência
passada no problema atual.
Como Riesbeck e Schank (1989), “A ideia básica do enfoque do RBC é resolver um
novo problema relembrando uma situação anterior similar e, então, reutilizando informação e
conhecimento daquela situação”.
Os trabalhos de Schank e Abelson inspiraram as origens do Raciocínio Baseado em
Casos na Inteligência Artificial. Tais trabalhos arrazoavam sobre Memória Dinâmica e o
modelo cognitivo de uma função central de lembrança de situações passadas (casos e
memória episódica) e de padrões de situações (WANGENHEIM; WANGENHEIM, 2003).
Sendo uma das tecnologias mais populares e difundidas para o desenvolvimento de
Sistemas Baseado em Conhecimento, o RBC baseia-se em uma estratégia adotada por seres
humanos na resolução de muitas situações-problema, como embasam Wangenheim e
Wangenheim (2003, p.2):
O RBC pode funcionar inclusive como um modelo cognitivo para se entender alguns
aspectos do pensamento e comportamento humanos, além de ser uma tecnologia
extremamente simples de se usar para construir sistemas computacionais inteligentes
e resolver problemas reais em áreas como a do comércio eletrônico, centrais de
atendimento ao cliente e mesmo diagnóstico médico.
Do ponto de vista comercial, está crescente o número de aplicações desenvolvidas
como sistemas baseados em casos. A técnica RBC tem sido amplamente utilizada, num
domínio bastante variado como análise financeira, assessoramento de riscos, manutenção de
equipamentos, controle de processos, controle de qualidade, diagnóstico médico, suporte a
sistemas de software, previsão em diversas áreas, planejamento automatizado, projeto
auxiliado por computador, classificações de objetos, interpretação de imagens, avaliação
imobiliária, atendimento personalizado no comércio eletrônico, suporte ao cliente, gerência do
conhecimento, entre tantos outros. Esta gama de sistemas desenvolvidos em RBC se dá ao
fato de ser uma técnica de IA fácil de projetar e implementar consequentemente exige pouco
esforço e baixo custo, oferecendo ao usuário capacidade para deduzir e justificar de forma
convincente as decisões e ações tomadas (WANGENHEIM; WANGENHEIM, 2003).
26
Para Kolodner (1993), os seguintes fatores determinam a qualidade de um RBC:
A experiência que tenha tido;
Sua habilidade de compreender novas situações nos termos das experiências
passadas;
Sua competência de adaptação;
Sua competência de avaliação e conservação;
Sua habilidade para integrar novas experiências na memória apropriadamente.
O Raciocínio Baseado em casos possui um processo cíclico, onde a chegada de um
novo problema é comparada com os casos contidos numa base de casos. Um ou mais casos
são recuperados dessa base, e por similaridade, uma solução é sugerida e pode ser reutilizada.
Desta forma, a solução é revisada e armazenada. A Figura 2 demonstra essa forma cíclica de
aprendizado.
27
Figura 2. Ciclo de solução de problema de um sistema RBC.
Fonte: Abel e Castilho (1996).
Empregando o procedimento mostrado na Figura 2, o princípio de RBC tende a
acumular conhecimento na medida em que novos casos são resolvidos e armazenados.
Os elementos básicos, de acordo com Wangenheim e Wangenheim (2003), deste ciclo
que compõe o RBC, são representados pelas quatro etapas a seguir:
Representação do Conhecimento: Em um sistema de RBC, o conhecimento é
representado principalmente em forma de casos que descrevem experiências
concretas. No entanto, se for necessário, também outros tipos de
conhecimento sobre o domínio de aplicação podem ser armazenados em um
sistema de RBC (por exemplo, casos abstratos e generalizados, tipos de
dados, modelos de objetos usados como informação);
28
Medida de Similaridade: É preciso ser capaz de encontrar um caso relevante
para o problema atual na base de casos e responder à pergunta quando um
caso relembrado for similar a um novo problema;
Adaptação: Situações passadas representadas como casos dificilmente serão
idênticas às do problema atual. Sistemas de RBC avançados têm mecanismos
e conhecimento para adaptar os casos recuperados completamente, para
verificar se satisfazem às características da situação presente;
Aprendizado: Para que um sistema se mantenha atualizado e evolua
continuamente, sempre que ele resolver um problema com sucesso, deverá
ser capaz de lembrar dessa situação no futuro como mais um novo caso.
A ideia fundamental deste ciclo de quatro etapas é, hierarquicamente, distribuir as
tarefas e utilizar como um ciclo de raciocínio contínuo (WATSON, 2000).
2.3.1 Representação do Conhecimento
Representação do conhecimento, em sistemas de RBC, são principalmente os casos.
Para Wangenheim e Wangenhein (2003, p.11), “um caso é uma peça de conhecimento
contextualizado que registra um episódio em que um problema ou situação problemática foi
total ou parcialmente resolvido”.
Mesmo existindo maneiras diferentes de se representar um caso, a forma mais usual é
a descrição através de atributos. Entretanto, pode ser, em algumas situações, difícil de
determinar estes atributos da melhor maneira. Alguns nichos necessitam de conhecimento do
especialista, adotando um conhecimento profundo do domínio do problema. A representação
dos casos é uma das etapas mais importantes no desenvolvimento de um sistema de RBC
(RAMSAMY, 1994).
Aamodt e Plaza (1999) também afirmam que a representação dos casos é uma tarefa
complexa e importantíssima para o sucesso ou o fracasso do sistema de Raciocínio Baseado
29
em Casos. O grande problema é na hora de decidir o que será armazenado e encontrar a
estrutura ideal para descrever o seu conteúdo.
A dificuldade na representação de Raciocínio Baseado em Casos tem como principal
foco o que se deve guardar de um caso, a estrutura adequada para sua definição e como a
memória de casos precisa ser estruturada e indexada para se executar a recuperação e
reutilização de forma satisfatória (MIRANDA; SANTOS, 2005).
Afirmam Wangenheim e Wangenhein (2003) que existem dois componentes básicos
na representação dos casos: a descrição do problema e a descrição da solução. Já Kolodner
(1993) acrescenta um terceiro item: o resultado da aplicação da solução do problema.
Base de casos são artifícios para organizar e armazenar os casos e os manter a
disposição para serem reutilizados. Normalmente, esta base de casos armazena as
experiências positivas descrevendo as respectivas estratégias de solução que foram utilizadas
com sucesso para a solução do problema, a fim de ser reutilizadas. Em contrapartida, as
tentativas que geraram insucesso na solução de um problema, também podem ser registradas
no intuito de prevenir a repetição de erros (KOLODNER, 1993).
2.3.2 Similaridade
Similaridade é um conceito baseado em fatores subjetivos e por conta disso se torna
genérico e de difícil definição. Os divergentes fatores subjetivos podem levar a distintos tipos
de similaridades (FERNANDES, 2003).
De acordo com Lee (1996), a similaridade de dois casos se dará quando forem
semelhantes às características que representam essencialmente o seu conteúdo e seu contexto.
As características realmente relevantes, quando combinadas entre si, determinam a solução do
problema.
De acordo com Aamodt e Plaza (1999), dois grupos dividem a avaliação da
similaridade:
Similaridade Sintática: Os atributos são comparados por sua semelhança
sintática, sendo a mais superficial;
30
Similaridade Semântica: Compara um caso com o outro, abrangendo os seus
significados. É uma avaliação mais profunda do que a anterior;
Já Reis e Cargnin (1997), denota quatro níveis de similaridade:
Similaridade Semântica: É um tipo simples, contanto apenas com os atributos
que são sinteticamente idênticos em duas situações. Não leva em conta fatores
contextuais, portanto conhecida por similaridade superficial;
Similaridade Estrutural: Tem como recurso principal a consistência estrutural e
a ligação dos casos a um dos nós conceitos;
Similaridade Organizacional: Refere-se à similaridade imposta a casos
armazenados em lugares próximos no banco de casos;
Similaridade Pragmática: A ocupação de funções similares em suas respectivas
situações resulta em duas partes pragmaticamente similares.
Kosloky (1999) coloca que “a determinação das métricas de similaridades em um
RBC é uma das mais importantes e cruciais fases para a eficiência da metodologia, pois
através dela identifica-se a utilidade do caso”.
Vale ressaltar a utilidade do caso, que de acordo com Wangenheim e Wangenhein
(2003), é dada por uma relação de preferência baseada em similaridade.
A determinação da utilidade de um caso ou não, depende do contexto que se está
explorando e da necessidade de modificá-lo para adaptação ao problema atual. Dessa forma,
quanto menor for a necessidade de modificar a descrição do problema de um caso, menor é a
incerteza da utilidade de sua solução para o problema atual, determinando eficiência na
solução dos enigmas. Quando se pôde definir com exatidão a utilidade da solução de um
exemplo de caso para um problema atual, também se determinou a estratégia prima de escolha
de casos, que recomendará sempre o caso mais adequado para um determinado problema
(WANGENHEIM; WANGENHEIM, 2003).
31
2.3.2.1 Indexação
Para determinar similaridade entre casos numa base de casos dado um problema, é
necessário definir quais os atributos que serão utilizados neste processo que determinem a
comparação entre um caso e o problema atual. Estes atributos são chamados de índices
(WANGENHEIM; WANGENHEIM, 2003).
Para Kolodner (1993), indexação de casos é a associação de rótulos em casos, de
maneira a caracterizá-los para posteriormente recuperá-los em uma biblioteca de casos. Esta
não é uma tarefa simples. Para construir uma boa coleção de índices para um conjunto de
casos é necessário se ter em mente a importância de um bom índice e como defini-lo.
Num processo de RBC, uma correta e objetiva definição de índices determina o maior
ou menor sucesso no momento da recuperação de um caso, que foi, através de seus atributos,
definido como similar ao problema proposto. Daí se destaca a importância da escolha destes
índices, que quanto mais complexos e combinados, mais certeiros e restritivos se apresentam
no clico do processo e, consequentemente, maior sua utilidade.
De acordo com Wangenheim e Wangenheim (2003), bons índices para o RBC
deveriam possuir as seguintes propriedades:
Serem fáceis de extrair dos casos armazenados na base de casos;
Serem usáveis e disponíveis como pistas na recuperação;
Categorizarem os casos na base de casos ao longo de algumas dimensões
interessantes.
Assim sendo, a indexação feita de uma maneira adequada e cuidadosa é vital para
atingir de forma satisfatória os objetivos dos sistemas RBC.
2.3.2.2 Recuperação
Visando a solução de um problema, quando utilizado o Raciocínio Baseado em Casos,
a etapa de recuperação consiste na busca na base de casos e na seleção de um ou mais casos
similares que podem ter utilidade. A busca deste(s) caso(s) é feita por algoritmos que
32
relacionam casos que possuam determinado nível de similaridade com o problema de entrada
(KRAUS, 2009).
A etapa de recuperação dos casos é iniciada com uma descrição do problema e
finalizará quando o melhor caso for encontrado. Segundo Fernandes (2003), esta tarefa
divide-se em:
Identificação das características: informa ao sistema quais as características do
caso atual;
Unificação inicial: recupera um conjunto de candidatos possíveis;
Busca: processo mais elaborado que irá selecionar qual o melhor candidato
entre os casos recuperados no casamento inicial;
Seleção: os casos são ordenados conforme algum critério ou de acordo com a
métrica de classificação, sendo selecionado o caso que possui a mais forte
similaridade com o novo problema escolhido.
Ainda para Fernandes (2003), para a etapa de recuperação, três fatores são essenciais:
Eficiência: velocidade de recuperação dos casos pelo sistema;
Precisão: grau de casos recuperados que podem ser utilizados para alcançar o
objetivo proposto;
Flexibilidade: grau de recuperação de casos para raciocínios inesperados.
2.3.3 Adaptação
Conforme Watson (2000), adaptação implica em reconhecer que a solução contida no
caso recuperado mais semelhante não é adequada, em algum grau, ao problema atual,
possibilitando adaptar o caso recuperado ou a base de casos.
Para Wangenheim e Wangenheim (2003), a adaptação é um fator crucial na
flexibilidade dos sistemas de RBC, e a sua capacidade de solucionar novos problemas
33
depende de sua habilidade em adaptar casos recuperados a novas circunstâncias e em sua
habilidade de consertar soluções que falham ao serem aplicadas. Há inúmeras formas e
técnicas de realizar tais adaptações, e uma das dificuldades no desenvolvimento destes
sistemas é definir como realizar essa adaptação. Na adaptação de casos, devem ser
respondidos os questionamentos:
Quais são os aspectos de uma situação (descrita por meio de um caso) que
devem ser adaptados;
Quais modificações são razoáveis de serem realizadas para adaptar o caso;
Quais são os métodos de adaptação aplicáveis para modificar estes aspectos;
Como controlar o processo de adaptação para saber que as modificações estão
sendo realizadas no rumo certo.
Existem várias técnicas de execução destas adaptações. Wilke e Bergmann (1998)
apresentam as dez principais:
Adaptação Nula: esta técnica indica que não é necessária nenhuma
modificação, ou seja, a ação é simplesmente aplicar a solução de um caso
recuperado à nova situação. Pode ser aplicada quando o raciocínio para uma
solução é complexa, mas a solução é simples;
Adaptação Transformacional: para satisfazer o novo problema, a solução do
caso similar recuperado é transformada com a aplicação do conhecimento
específico ao domínio do problema. Esta adaptação suporta, além de
reorganizar, adicionar ou apagar elementos da solução de acordo com as
condições;
Adaptação Substitucional: é uma técnica mais utilizada para solução de
problemas simples, fornecendo flexibilidade e adaptabilidade suficientes. É
utilizada quando o caso recuperado é muito parecido com o objetivo,
requerendo apenas modificações simples, normalmente nos valores, sem alterar
a estrutura;
34
Adaptação Estrutural: usualmente utilizada para modificações mais profundas,
que além de valores, a estrutura da solução é alterada. Componentes completos
de um caso são adicionados ou deletados, ou outro objeto, de estrutura
diferente, substitui um existente;
Adaptação Gerativa e Derivacional: técnica utilizada para adaptações em casos
de resolução complexa com modificações extensivas. Neste caso, faz-se
necessário o conhecimento da representação de conhecimento contida nos
casos, utilizando-se também do registro dos passos do processo derivacional
que levou a determinada solução no passado e as informações sobre as
decisões tomadas e justificativas correspondentes, dentre várias outras
informações que fundamentam o caso;
Adaptação Composicional: nesta técnica, vários casos anteriores são
combinados para produzir uma nova solução composta;
Adaptação Hierárquica: técnica que utiliza casos armazenados em vários níveis
de abstração, e a adaptação é realizada de cima para baixo. No primeiro
momento, uma solução é adaptada no mais alto nível de abstração, omitindo-se
detalhes menos relevantes. A solução é então refinada passo a passo, e os
detalhes necessários são adicionados. Pode ser reutilizado um único caso ou
vários casos diferentes em diferentes níveis de abstração, para refinar
diferentes aspectos da solução.
2.3.4 Aprendizado
Conforme Wangenheim e Wangenhein (2003), a retenção de casos num sistema de
RBC consiste em incorporar, ao conhecimento já existente, num episódio de solução de um
problema, aquilo que é útil deste novo episódio. Desta forma constantemente a base de casos
é atualizada e estendida, permitindo ao sistema, continuamente incrementar seu conhecimento
e tornar-se, com o passar do tempo e da sua utilização, um solucionador de problemas mais
completo e robusto.
35
Ainda para Wangenhein e Wangenhein (2003), a retenção equivale a aprendizado de
novos casos ou de conhecimento relevantes abstraídos de casos individuais. Para ter sucesso
no aprendizado, métodos bem elaborados são necessários para extrair o conhecimento
relevante da experiência passada, indexar o conhecimento para que possa ser reaproveitado
posteriormente e integrar casos em uma estrutura de conhecimento existente. Os principais
aspectos a serem considerados nesta tarefa são:
Escolha apropriada da informação que será retida junto do caso;
Seleção da estrutura da informação e do conhecimento;
Seleção da estrutura de índices para o acesso aos casos durante a recuperação;
Seleção do tipo de integração a ser empregado na estrutura de conhecimento
existente.
Para corroborar, Lee (1998) diz que a aprendizagem para os casos acontece com o
apoio da experiência adquirida. A parte do caso destinada ao resultado do emprego de
determinada solução ou interpretação serve a este propósito. Deve manter no caso o registro
de seu desempenho e da situação de quando foi utilizado. Assim, tantos sucessos como
fracassos incrementam o conhecimento e as lições são embutidas no caso. O registro do
resultado de reutilização pode prevenir o usuário com relação às possíveis consequências do
seu uso. Este procedimento tem grande valia, porque como a compensação da inclusão de
informações no caso, o sistema evita a reutilização de sugestões menos favoráveis, resultando
no incremento da qualidade de recuperação.
2.4 Sistema de Recomendação
A Internet do jeito que se apresenta nos dias atuais, composta de sites e sistemas,
aplicativos para os mais variados aparelhos eletrônicos, descarrega uma quantidade
imensurável de informação ao usuário, explorando qualquer contato que se possa ter com o
utilizador. A abundância de conteúdo fez surgir a necessidade da criação de instrumentos que
auxiliam o usuário na busca pela informação desejada. A fim de minimizar os problemas de
sobrecarga de dados surgiram os Sistemas de Recomendação (PRIMO; LOH, 2006).
36
Segundo Resnick e Varian (1997), Sistemas de Recomendação auxiliam no aumento
da capacidade e eficácia do processo de indicação, que já é conhecido na relação social entre
os seres humanos. Estes sistemas, de acordo com Fouss e Saerens (2008), geralmente
possuem três etapas principais:
coletar informações importantes sobre os usuários e itens;
identificar padrões a partir dos dados históricos;
sugerir itens para os usuários.
Nos dias de hoje, os Sistemas de Recomendação são bastante populares tanto na
indústria como na comunidade acadêmica (GUNAWARDANA; SHANI, 2009). Muitas
pesquisas têm sido realizadas para desenvolver novas abordagens para Sistemas de
Recomendação e o interesse nessa área ainda continua alto, pois essa é uma área de pesquisa
muito rica (ADOMAVICIUS; TUZHILIN, 2005).
Comércio eletrônico é atualmente o maior utilizador dos Sistemas de Recomendação,
empregando diferentes técnicas para encontrar os produtos e serviços mais adequados para
seus clientes e aumentar deste modo seu retorno financeiro (SCHAFER; KONSTAN; RIEDL,
2001).
Como marco dessa nova habilidade de recomendação, conforme Manber et al. (2000),
o My Yahoo, introduzido em julho de 1996, foi o primeiro site a utilizar os Sistemas de
Recomendação em grandes proporções, utilizando a estratégia de customização.
Como o cliente se sente único e reconhecido, segundo Torres (2004), a satisfação é o
resultado na utilização de Sistemas de Recomendação. Consequentemente, destaca-se outro
fator positivo na aplicação de Sistemas de Recomendação, o fato de que clientes satisfeitos
recomendam a loja, produto, serviço ou sistema para amigos e conhecidos, resultando no
aumento de novos clientes e do lucro envolvido.
Conforme Lorenzi e Ricci (2005), o conhecimento, nos sistemas de recomendação
baseado em conhecimento, pode ser expresso como um modelo detalhado do usuário, um
processo de seleção ou a descrição de itens que serão sugeridos ao usuário. O conhecimento
37
sobre o usuário e/ou produtos e o domínio da aplicação são os itens básicos para inferir qual
produto ou serviço que melhor atende às expectativas do usuário. Estes sistemas sabem como
um determinado produto se encaixa na necessidade de um usuário específico e são capazes de
raciocinar sobre a relação entre uma necessidade e uma possível recomendação (BURKE,
2007).
Segundo Adomavicious e Tuzhilin (2005), os sistemas de recomendação podem ser
classificados quanto à abordagem adotada para medir a utilidade de um dado item e quanto às
técnicas de recomendação utilizadas nessa estimativa. Quanto à abordagem, um sistema
pertence a uma das seguintes categorias:
Baseado em conteúdo: a recomendação é baseada em itens semelhantes a
outros itens que já satisfizeram o usuário em momento anterior;
Colaborativo: a recomendação é baseada em itens que satisfizeram outros
usuários semelhantes, considerando as preferências e interesses do usuário
atual;
Híbrido: a recomendação é uma combinação das abordagens baseada em
conteúdo e colaborativa.
2.5 Trabalhos Correlatos
Para este trabalho, foi realizada pesquisa com o objetivo de apontar ferramentas
similares ao trabalho que vem sendo desenvolvido na área do Turismo, onde também foram
empregadas técnicas de IA no desenvolvimento dos projetos. Três exemplos serão apontados
a seguir com o detalhamento das ferramentas pesquisadas, que são o RecomenTur, o Sistema
de Recomendação de Pacotes Turísticos Baseado em Filtragem Colaborativa Usando
Algoritmos Genéticos e o SRBAM.
2.5.1 RecomenTur
O RecomenTur é o resultado de um Trabalho de Conclusão de Curso dos alunos Pedro
Pires Gazzana e Sidnei Renato Silveira com a finalidade de adquirir o Bacharelado em
38
Sistemas de Informação no Centro Universitário Ritter dos Reis (GAZANA; SILVEIRA,
2009).
Com o auxílio da Inteligência Artificial, o sistema recomenda pacotes turísticos de
uma maneira prática e precisa, evitando sugestões que muitas vezes não venham interessar o
cliente em potencial. A recomendação se dá pelo perfil criado pelo sistema, baseado nas
informações coletadas através de questionário (forma explícita) ou pela própria navegação no
sistema (forma implícita), utilizando a técnica da filtragem baseada em conteúdo (GAZANA;
SILVEIRA, 2009).
Figura 3. Tela de questionário do Sistema RecomenTUR.
Fonte: Gazzana e Silveira (2009).
Conforme Gazzana e Silveira (2009), a extração explícita utiliza um questionário,
conforme apresentado na Figura 3, no momento do cadastro do usuário e a qualquer momento
quando o usuário acessar seu cadastro e alterá-lo. Já a forma implícita é baseada na interação
do usuário com o sistema, a partir das ações que este realizar depois de efetuado login, como
cliques no menu e palavras digitadas no campo de busca. Todos os interesses são
armazenados no banco de dados, entretanto apenas os últimos três são utilizados para gerar as
recomendações.
39
Figura 4. Palavras-Chave do Sistema RecomenTUR.
Fonte: Gazzana e Silveira (2009).
Conforme a Figura 4, a recomendação gerada pelo sistema, empregando coleta
implícita, utiliza as três últimas palavras-chave, aplica o algoritmo de recomendação e por
grau de similaridade igual ou superior a 85% indica os pacotes relacionados ao usuário. A
recomendação por classificação, por sua vez, não considera tais palavras e, sim, a cidade que
o usuário está consultando naquele momento no site e de acordo com as preferências do
usuário apresenta a recomendação por classificação, conforme a Figura 5 (GAZZANA;
SILVEIRA, 2009).
Figura 5. Recomendação por classificação do Sistema RecomenTUR.
Fonte: Gazzana e Silveira (2009).
40
Gazzana e Silveira (2009) finalizam a recomendação, armazenando ainda,
independente do tipo – se por classificação ou por solicitação, a opção do usuário em solicitar
mais informações, onde são apresentados detalhes acerca do pacote solicitado e a contratação
ou não de tal pacote; compondo o perfil do usuário, que será utilizado para as próximas
recomendações.
2.5.2 Sistema de Recomendação de Pacotes Turísticos Baseado em
Filtragem Colaborativa Usando Algoritmos Genéticos
Este sistema utilizando uma técnica da Inteligência Artificial, os Algoritmos
Genéticos, sugere aos usuários pacotes turísticos que se encaixem devidamente em seus
perfis. O desenvolvimento é o resultado de um Trabalho de Conclusão do Curso de Ciência da
Computação da Universidade Luterana do Brasil (ULBRA) do acadêmico Edivan Melo Dias.
O sistema, de forma explícita, apresenta um questionário, onde suas respostas são
utilizadas para montar o perfil do usuário. A partir das respostas deste questionário são
atribuídos conceitos a cada característica relacionada ao seu perfil. Esses conceitos são
mensurados por pesos, obtendo uma variância entre “ótimo”, “regular” e “ruim”, permitindo a
partir dai, mensurar o nível de importância que o usuário tem por suas opções dentro de um
pacote turístico (DIAS, 2011).
A Figura 6 mostra esta tela com a aba de recomendação ativa, permitindo a
visualização da tabela que recebe o usuário mais compatível, e os campos utilizados para os
testes do Algoritmo Genético, como por exemplo, o tamanho da população.
41
Figura 6. Tela de Solicitação de Recomendação.
Fonte: Dias (2011).
De acordo com Dias (2011), assim que o usuário ativo possui suas preferências
conhecidas, o sistema busca a melhor solução que caiba dentro destas características. Através
do Algoritmo Genético, o usuário é um vetor linear, onde cada um de seus genes contém os
pesos das características que um pacote turístico possui.
O cadastro do perfil do usuário é um conjunto de telas divididas em duas etapas dentro
do projeto, é composto por requisitos que o sistema necessita para a criação deste cadastro. É
com base no processamento destes requisitos que o sistema tem a possibilidade de montar o
perfil do usuário e guardá-lo fisicamente no banco de dados (DIAS, 2011).
Conforme a Figura 7, baseado nas características obtidas do indivíduo e no modelo
ideal de pacote, o sistema busca na base de dados o pacote turístico recomendado,
obedecendo ao limiar mínimo de similaridade de 80%, indicado como ideal pela especialista
que acompanhou o projeto.
42
Figura 7. Tela de Pacotes Recomendados.
Fonte: Dias (2011).
O funcionamento do Algoritmo Genético, conforme estruturado na Figura 8,
corresponde à aplicação de um conjunto de operações básicas. Conforme Dias (2011), uma
população de n indivíduos, contendo as características dos usuários já conhecidos, são utilizados e o
restante dos indivíduos é gerado aleatoriamente. Cada um dos cromossomos da população representa
uma possível solução para o problema.
A aptidão do indivíduo é determinada através de um cálculo de similaridade do pacote
turístico para com as preferências contidas no perfil do usuário. Os indivíduos mais aptos são
selecionados para gerar uma nova população por cruzamento. A mutação é efetuada alterando-se
o valor de um gene de um indivíduo sorteado aleatoriamente, garantindo uma maior varredura do
espaço de estado e evitando que o Algoritmo Genético convirja muito cedo (DIAS, 2011).
43
Conforme conclui Dias (2011), após a identificação do modelo ideal de pacotes
turísticos ao usuário, o sistema busca o pacote na base de dados, previamente cadastrados com
seus respectivos pesos, e retorna-o na tela para o usuário. O limiar mínimo de similaridade
utilizado foi de 80%.
Figura 8. Fluxograma de funcionamento do AG.
Fonte: Dias (2011).
2.5.3 SADTUR
O Sistema Especialista de Apoio à Decisão em Inventário e Diagnóstico Turístico
(SADTUR) é o fruto de Dissertação para obtenção do grau de mestre em Administração, na
área de concentração em Políticas e Gestão Institucional, na Universidade Federal de Santa
Catarina (MARCONDES, 2003).
Conforme Marcondes (2003), esta ferramenta tem como objetivo permitir a simulação
de situações que possibilitem planejar empreendimentos, bem como definir a segmentação
turística mais promissora para determinada localidade.
44
O trabalho é baseado em Sistemas Especialistas, onde o mecanismo de raciocínio de
Inteligência Artificial representado é o probabilístico, apoiando-se em informações
probabilísticas a respeito de fatos de um domínio, permitindo chegar a uma conclusão,
associada a uma probabilidade, a respeito de um novo fato. Este mecanismo, determina
valores probabilísticos para as variáveis independentes representadas pelos diversos atrativos
relacionados às diversas segmentações turísticas, permitindo chegar à conclusão quanto a
melhor ou mais promissora segmentação (MARCONDES, 2003).
Marcondes (2003) detalha que o desenvolvimento do sistema utilizou shell Nética
apoiado nas cadeias de crença bayesianas ou cadeias de decisão (diagramas de influência)
com a finalidade de auxiliar o usuário/decisor na busca de um desempenho operacional
satisfatório ao diagnóstico turístico.
A representação do conhecimento foi obtida por meio de uma rede bayesiana,
conforme mostra a Figura 9, construída na Shell Netica, composta por um nó que representa
as hipóteses diagnósticas (segmentação) e outros dez nós para representar as evidências
necessárias para se chegar às hipóteses diagnósticas.
45
Figura 9. Rede Bayesiana do SADTUR
Fonte: Marcondes (2003).
De acordo com Marcondes (2003), esse conhecimento estatístico se dá através do
cálculo das probabilidades condicionais entre os nós dependentes. A base de regras que
expressa esse conhecimento é representada por meio de tabelas (para cada nó) e suas
respectivas estatísticas, que podem ser levantadas por meio do conhecimento de especialistas
ou via processo de datamining. Desta forma, será gerada a probabilidade condicional para
cada nó, que posteriormente sofrerá atualizações bayesianas de acordo com as evidências
adotadas.
Como exemplo, ao buscar qual a probabilidade da segmentação entre as oito opções:
aventura, histórico-cultural-científica, ecoturismo, negócios, religioso, rural, saúde e lazer;
cuja opção do nó Histórico Cultural foi ruína, inferiu-se uma probabilidade de 16,9% em
acontecer turismo histórico-cultural-científico, conforme demonstra a Figura 10
46
Figura 10. Inferência bayesiana para probabilidade de acontecer turismo histórico, cultura e
científico.
Fonte: Marcondes (2003).
O sistema permite ainda inferir qual a segmentação turística, mediante dados
solicitados em nós distintos, como mostra a Figura 11, que isolando manifestações de
mercados e feiras, presença de mangues e praias fluviais, inferiu-se uma probabilidade para
ecoturismo de 37,8%.
47
Figura 11. Inferência bayesiana para ecoturismo
Fonte: Marcondes (2003).
2.5.4 Comparativo entre os Sistemas
Após o levantamento de sistemas de inteligentes na área de turismo, são apresentadas
as principais características encontradas nos ambientes estudados: se o sistema é WEB, se é
um sistema de recomendação, qual a técnica de IA empregada e se o sistema possui ou não
processo de aprendizagem; traçando um comparativo entre estes e a solução desenvolvida,
conforme a Tabela 1.
48
Tabela 1. Comparação entre Sistemas
Características Sistemas Comparados
RecomenTUR Sistema
Algoritmos
Genéticos
SADTUR Solução
Proposta
Sistema WEB x x
Sistema de
Recomendação
x x x
Técnica de IA Filtragem
Baseada em
Conteúdo
Algoritmos
Genéticos
Probabilística
Rede
Bayesiana
Raciocínio
Baseado em
Casos
Identificação das
características do usuário
Questionário
e dados
implícitos na
navegação
Questionário Preenchimento
de
necessidades
Questionário
Dentre os poucos exemplos encontrados, a Tabela 1 demonstra os três sistemas
aplicados à área de turismo, além da solução deste TTC que utilizaram de técnicas de IA no
seu desenvolvimento. O RecomenTUR utiliza a técnica de Filtragem Baseada em Conteúdos,
o Sistema de Algoritmos Genéticos utiliza a técnica de Algoritmos Genéticos, o SADTUR
utiliza técnica probabilística de Rede Bayesiana e por fim, a solução proposta utilizará a
técnica de Raciocínio Baseado em Casos.
Em relação à identificação das características do usuário, a entrada dos dados para
realização da inferência, todos os sistemas, com exceção do SADTUR, utilizam a técnica do
questionário. O RecomenTUR ainda agrega informações implícitas conforme a navegação do
usuário no site que possui a aplicação. Já o SADTUR, trabalha com a escolha de dados do
usuário, de acordo com a necessidade que este possui, mediante apresentação de todas as
opções disponíveis; esta escolha pode ser pontual ou múltipla, combinando mais de uma
alternativa.
O sistema desenvolvido neste trabalho se destaca por ser o único que utiliza a técnica
de Raciocínio Baseado em Casos, enriquecendo e aprimorando o processo.
2.6 Sistema Crestani
De acordo com Coelho (2011), o Sistema Crestani – Para onde você tem de ir – é um
aplicativo codificado na plataforma de desenvolvimento do Facebook. O aplicativo tem como
49
objetivo principal oportunizar uma sugestão de pacote turístico ao usuário de acordo com o
perfil estabelecido através de um conjunto de perguntas por ele respondidas.
Comercialmente, o sistema possui grande potencial econômico visando o
estabelecimento de parcerias junto a operadoras. Baseado em um mercado já estruturado
nessa modalidade, a recomendação na área turística se mostra como um nicho pouco
explorado e de retorno confiável (COELHO, 2011).
A remuneração por indicação, como se pretende estabelecer este aplicativo, remete à
prática de referenciar produtos em sites diversos do comerciante que então remeterão ao site
em que se fará a compra propriamente dita. Um parâmetro com a identificação do
referenciador é incluído na URL e cookies rastreadores são gravados na máquina do visitante,
de modo que futuras visitas ao site do comerciante vão ser creditadas ao referenciador.
O sistema foi desenvolvido na plataforma de desenvolvimento do Facebook,
utilizando PHP como linguagem e MySQL como banco de dados.
Apesar de a interface ter sido desenvolvida, o motor de inferência, que, transparente ao
usuário, fará a recomendação do pacote turístico mediante a entrada de um conjunto de dados
coletado pelo sistema, não foi implementado neste trabalho. O motor de inferência que
finaliza o objetivo do Sistema Crestani é o projeto deste Trabalho Técnico Científico.
2.6.1 Funcionamento do Sistema
O sistema Crestani, conforme a Figura 12, é um aplicativo na rede social Facebook
que solicita permissão de acesso às informações básicas da conta do usuário como: Nome,
foto do perfil, gênero, redes, ID de usuário, lista de amigos, etc.
50
Figura 12. Solicitação de Permissão.
Fonte: Coelho (2011).
O sistema apresenta um conjunto de perguntas de múltipla escolha ao usuário, o qual
deve apontar apenas uma resposta correta para cada questão, conforme o exemplo de tela
demonstrado na Figura 13.
Figura 13. Questões do Sistema Crestani.
Fonte: Coelho (2011).
Estas questões, e as cinco alternativas de respostas de cada pergunta, foram
formuladas por um psicólogo que deu suporte ao trabalho, no intuito de extrair do usuário o
seu estado emocional no momento da interação com o sistema, além das suas preferências
como viajante. Mediante as respostas apontadas, será inferido o humor e o perfil do usuário.
51
Esta inferência se dá pela atribuição de uma nota a cada uma das características, tanto
para as de humor, quanto de perfil, para cada uma das respostas apresentadas; que somadas ao
final, demonstrará as características predominantes do usuário.
No Anexo AAnexo são apresentadas as cinco questões e as cinco alternativas para
escolha do usuário. Além disso, são referenciadas as notas indicadas para cada uma das
características de humor e de perfil em relação a cada uma das alternativas que possa vir a ser
escolhida pelo usuário.
Por outro lado, os pacotes turísticos recebem pesos em cada uma das mesmas
características aplicadas ao usuário. Estes pesos são atribuídos previamente também pelo
psicólogo de acordo com o aspecto de cada um dos atributos.
Os pacotes utilizados pelo Crestani no desenvolvimento deste projeto estão descritos
no Anexo B, com o seu respectivo ID e sua descrição sucinta.
É neste ponto que a máquina de inferência atua: recebendo as notas do usuário e
realizando busca na base de casos, trazendo o mais similar, apresentando o pacote
correspondente àquela composição de informações.
Chegando ao pacote mais recomendado ao referido usuário, conforme a Figura 14, a
sugestão é apresentada ao usuário.
52
Figura 14. Sugestão.
Fonte: Coelho (2011).
Como praxe da plataforma das redes sociais, o compartilhamento das atividades
realizadas em cada aplicativo, vem de encontro com o objetivo do Sistema, que além de
sugerir pacotes turísticos, visa divulgar os produtos e serviços oferecidos pelas operadoras
parceiras.
A Figura 15 demonstra como é feita a divulgação através do compartilhamento do
resultado alcançado após o uso do sistema.
3 DESENVOLVIMENTO
O motor de inferência, objetivo principal deste Trabalho Técnico-Científico, que
utiliza a técnica de RBC para realizar inferências, necessita de uma interface com o usuário a
fim de coletar os dados e informações e posteriormente, após o processamento das
informações, apresentar a proposta.
Para este fim, foi utilizado o Sistema Crestani, que teve seu desenvolvimento como
Projeto de Graduação Integrado de Coelho (2011) para o curso de Tecnologia em Sistemas
para Internet, na UNIVALI em Itajaí. Com base nesse sistema web, foram feitas as
intervenções necessárias para incluir o sistema de RBC no processo de recomendação de
pacotes turísticos. Na sequencia serão apresentados o sistema Crestani e as alterações
realizadas para a incorporação do sistema de recomendações, bem como suas telas no seu
funcionamento de fato.
Em seguida, será apresentado o escopo do projeto, apresentando os casos de uso do
Sistema Crestani e os casos de uso deste trabalho que em conjunto geram um resultado único.
A partir daí, é apresentada a modelagem da Máquina de Inferência, a modelagem do banco de
dados, a forma que é realizada a integração entre os sistemas e por fim a validação e
verificação do sistema em funcionamento através de testes.
3.1 Escopo do projeto
Por se tratar de uma parte de um projeto desenvolvido por outro acadêmico, se fez
necessária à delimitação de escopo dos dois desenvolvimentos a fim de não sobrepor
atividades. O diagrama de caso de uso apresentado na Figura 16 busca representar as partes
dos dois projetos. Do lado esquerdo estão os casos de uso já implementados, e do lado direito
os casos de uso relativos à tomada de decisão com RBC para a sugestão de pacote turístico
relativo ao perfil identificado do usuário.
55
Figura 16. Diagrama de Casos de Uso.
Fonte: Coelho (2011).
3.2 Modelagem do Sistema
Para a definição dos casos mais similares, na aplicação do RBC, este projeto utilizou o
método do vizinho mais próximo, visto ser a técnica que mais se adequa a realidade do
sistema, e se aplica a pequenas bases de dados, pois para bases maiores pode apresentar um
elevado custo computacional (SÁ, 2007).
Segundo Watson (1997), a técnica do vizinho mais próximo é, talvez, a mais utilizada
para o estabelecimento da similaridade. Os aspectos de definição e identificação dos índices
são fatores fundamentais para uma recuperação de sucesso. A similaridade entre o caso alvo e
56
um caso na base de casos é determinada para cada atributo. Esta medida deve ser multiplicada
por um fator peso. A somatória de todos os atributos é calculada e permite estabelecer a
medida de similaridade entre os casos da base de casos e o caso alvo.
Existem várias funções para o cálculo da diferença da distância como distância
Euclidiana, distância Quadrada, distância City-block, distância Chebychev, distância Forte e
distância Percentual (FERNANDES, 2003).
Como pode ser contemplado na Equação 1, foi escolhida a função City-block, que
considera o módulo da distância de cada atributo do novo caso com os casos da base de casos,
calculando a distância entre as dimensões e por ser uma função que se utiliza de índices
numéricos e também de fácil visualização de funcionamento e implementação
(FERNANDES, 2003). Sendo, portanto, dentre as opções, a de maior simplicidade que
satisfatoriamente atende ao projeto proposto.
City – Block (N, F) = | Ni – Fi | Equação 1
Onde:
N: é o atributo da situação-problema
F: é o atributo caso recuperado da base de casos
i: é o índice correspondente
A Equação 1 detalha a forma do cálculo, onde para cada atributo, é calculado o
módulo da diferença entre o atributo da situação-problema e o atributo do caso recuperado da
base de casos, resultando em um valor numérico correspondente a distância entre estas duas
situações.
3.2.1 Vocabulário de Índices
O vocabulário de índices refere-se ao conjunto de índices e parâmetros utilizados na
Tabela 2, onde o parâmetro de cada índice é definido pelo psicólogo envolvido no
desenvolvimento do Sistema Crestani.
57
A seguir são apresentados os parâmetros, através de pesos, para cada um dos índices
utilizados. O valor do peso de cada respectivo índice da Tabela 2 é um número entre 0 e 1. O
valor de cada peso foi parametrizado no programa para permitir ajuste pelo administrador,
caso necessário.
Tabela 2. Índices e parâmetros
Índices Peso
Humor 0,3
Perfil 0,4
Idade 0,1
Sexo 0,1
Est. Civil 0,1
Como demonstrado na Tabela 2, cada um dos índices: humor, perfil, idade, sexo e
estado civil receberam um peso correspondente, que aplicado à fórmula de similaridade
expressará a importância de cada índice na inferência do resultado final. Esse peso é aplicado
na soma de todos os atributos de cada índice – detalhados nas Tabelas de 3 a 7; no caso do
índice humor, o peso é aplicado na soma dos valores recebidos para alegre, triste, irritado,
ansioso e calmo; no caso do perfil, o peso é aplicado na soma dos valores recebidos para
aventureiro, solitário, gregário, festeiro, artístico, acadêmico, pacato e romântico. Já os pesos
de idade, sexo e estado civil são aplicados diretamente no valor único correspondente.
Para o índice humor, os cinco atributos pré-definidos pelo psicólogo serão, conforme a
Tabela 3, denominados como H1, H2, H3, H4 e H5, e respectivamente: alegre, triste, irritado
ansioso e calmo. Estes atributos receberão valores entre 0 e 25, que é um valor que representa
a soma da pontuação recebida em cada uma das alternativas escolhidas pelo usuário nas cinco
questões, visto que cada questão pode indicar, para cada atributo, no máximo 5 pontos.
Tabela 3. Índice Humor
Atributo Valor
Triste (H1) 0-25
Alegre (H2) 0-25
Calmo (H3) 0-25
Irritado (H4) 0-25
Ansioso (H5) 0-25
58
Já para o índice perfil, os oito atributos previamente definidos pelo psicólogo, na
Tabela 4 nomeados como P1, P2, P3, P4, P5, P6, P7 e P8, são respectivamente
aventureiro, solitário, gregário, festeiro, artístico, acadêmico, pacato e romântico. Da mesma
forma que o índice humor, o cálculo para o valor final de cada atributo é a composição da
soma dos valores obtidos nas cinco questões, totalizando no máximo 25 pontos, visto que
cada resposta indica no máximo 5 pontos em cada um dos oito atributos para estabelecer o
perfil do usuário.
Tabela 4. Índice Perfil
Atributo Valor
Aventureiro (P1) 0-25
Pacato (P2) 0-25
Solitário (P3) 0-25
Romântico (P4) 0-25
Acadêmico (P5) 0-25
Artístico (P6) 0-25
Festeiro (P7) 0-25
Gregário (P8) 0-25
As Tabelas 5, 6 e 7 apresentam, respectivamente, os índices sexo, idade e status de
relacionamento. Que, junto dos atributos do perfil e humor, de acordo com os pesos
parametrizáveis, demonstrados na Tabela 2, aplicados na equação que determina a
similaridade, irão inferir o pacote turístico mais adequado ao usuário em questão.
Tabela 5. Índice sexo
Atributo Valor
Feminino 0
Masculino 1
59
Tabela 6. Índice idade
Atributo Valor
Entre 13 e 16 anos 0
Entre 17 e 21 anos 1
Entre 22 e 30 anos 2
Entre 31 e 40 anos 3
Entre 41 e 50 anos 4
Entre 51 e 60 anos 5
Acima de 60 anos 6
Tabela 7. Índice estado civil
Atributo Valor
Solteiro
(solteiro, viúvo, separado, em
relacionamento aberto e divorciado)
0
Comprometido
(em relacionamento sério, noivo,
casado)
1
Indeterminado
(em relacionamento enrolado)
2
Vale ressaltar que a Tabela 7 foi adaptada em relação à quantidade de dados que são
captados do Facebook, de modo a utilizar-se apenas da informação relevante para o projeto. O
Sistema Crestani capta dentre 9 alternativas para o estado civil, as quais são: solteiro, em
relacionamento sério, noivo, casado, em relacionamento aberto, em relacionamento enrolado,
viúvo, separado e divorciado; e após tratamento – orientado pelo Psicólogo que acompanha o
Projeto, indica à máquina de inferência a alternativa correspondente dentre as três
apresentadas na Tabela 7.
No intuito de normalizar os atributos na fórmula apresentada na Equação 2, de forma
que todos estejam na mesma faixa de valores, o valor total somado em cada atributo para
determinado caso será dividido pelo valor máximo de cada um dos atributos. No índice
60
Humor, cada um dos cinco atributos (alegre, triste, irritado, ansioso e calmo) pode receber
nota máxima 25; sendo cinco atributos, a soma dos atributos de Humor terá no máximo o
valor 125, sendo este o valor que dividirá o índice atributo para normalizá-lo na fórmula. No
índice Perfil, cada atributo também receberá no máximo o valor 25; como são oito atributos
de Perfil, a soma total máxima do índice Perfil será de 200 e este será o número que dividirá a
soma deste atributo para normalizar a fórmula. Já os atributos Estado Civil, Sexo e Idade,
terão no máximo os valores 2, 1 e 6 respectivamente, sendo estes os valores que dividirão o
valor em cada aplicação da fórmula, com a finalidade de manter todos os atributos na mesma
faixa de valores.
3.2.2 Algoritmo
Com todos os valores definidos para os índices, e os respectivos pesos, o exemplo a
seguir demonstra como foi feita a recuperação dos casos similares. Utilizando a Tabela 8 tem-
se 28 casos da base que serão comparados com o caso situação-problema:
Tabela 8. Exemplo de base de casos
Caso Humor Perfil Estado
Civil Sexo Idade Pacote
H1 H2 H3 H4 H5 P1 P2 P3 P4 P5 P6 P7 P8
1 3 18 0 6 13 17 15 14 6 24 1 24 14 2 0 4 19
2 24 7 17 9 17 1 9 1 21 9 21 24 22 2 1 5 20
3 0 1 17 7 0 19 8 15 25 11 5 14 19 1 1 4 11
4 25 15 16 24 6 0 8 8 3 0 3 21 8 1 1 6 11
5 7 7 15 1 17 25 6 7 9 17 0 22 23 1 1 2 15
6 8 19 1 23 18 13 21 20 11 0 3 24 25 1 1 1 14
7 24 4 11 5 6 8 25 12 3 0 15 5 25 0 1 5 11
8 14 24 25 22 1 10 0 2 3 6 15 9 3 2 0 1 14
9 21 15 5 15 18 21 16 8 6 24 2 25 11 1 1 5 12
10 20 1 11 25 7 14 15 13 5 0 6 18 18 0 1 5 11
11 8 22 17 18 3 15 12 12 6 4 0 5 22 2 0 1 19
12 18 17 1 22 9 21 21 7 19 2 11 11 18 2 1 4 14
13 3 4 1 17 0 2 11 9 22 25 19 17 24 0 1 6 18
14 10 13 14 7 17 1 9 2 2 8 6 2 7 1 1 6 19
15 11 23 22 3 10 7 10 2 3 3 16 24 15 0 1 0 15
16 22 21 20 9 8 18 22 20 3 11 7 20 10 2 1 1 15
17 9 19 12 4 8 18 15 11 12 25 17 8 19 1 1 3 17
18 5 24 15 3 10 9 16 4 1 6 14 19 22 1 1 1 18
19 9 24 8 23 9 20 5 23 25 10 5 9 12 1 1 4 16
20 25 20 8 14 7 10 5 10 24 0 19 0 14 0 1 2 11
21 12 19 20 24 20 20 8 24 23 2 7 2 3 0 0 4 15
22 17 21 1 15 25 0 7 19 2 2 2 16 18 1 0 6 13
23 19 17 4 18 13 10 23 6 23 17 15 14 23 2 1 5 19
24 11 1 11 2 23 3 19 19 0 18 13 14 23 2 0 0 12
25 2 3 20 12 5 13 23 18 1 20 6 4 12 0 0 5 12
61
26 12 4 0 16 23 13 5 13 11 23 15 15 17 2 1 3 17
27 17 9 9 8 23 19 15 21 18 10 14 9 14 0 0 1 16
28 8 8 1 9 22 8 0 19 11 15 9 0 20 1 0 5 17
Para este exemplo calcula-se a distância entre cada um dos atributos da situação-
problema e cada caso na base de casos, como demonstrado na Equação 2. O caso com a
menor distância será considerado como o mais similar, e a recuperação dos casos mais
similares será definida no sistema, ficando a cargo de cada profissional determinar a
quantidade de casos que devem retornar:
((| | | |
| | | |
| |) )
((| | | |
| | | |
| | | |
| | | |)
)
(| | )
(| | )
(| | )
Equação 2
Para exemplificar a aplicação da Equação 2, demonstra-se, na Tabela 9 a seguinte
situação-problema:
Tabela 9. Situação-Problema
Humor Perfil Estado
Civil Sexo Idade Pacote
H1 H2 H3 H4 H5 P1 P2 P3 P4 P5 P6 P7 P8
62
Teste 12 17 8 1 16 1 9 14 24 18 25 5 17 1 0 5 ?
Com a aplicação da Equação, a última coluna da Tabela 10 que apresenta a
similaridade calculada a partir da situação problema, pode-se observar que o caso que mais se
avizinha, ou seja, tem a maior similaridade, é o caso 28, com 79,64%.
Tabela 10. Distância entre situação-problema e base de casos
CASO Nº PESO:
SIMILARIDADE 0,3 0,4 0,1 0,1 0,1
1 9 1 8 5 3 16 6 0 18 6 24 19 3 1 0 1 68,69%
2 12 10 9 8 1 0 0 13 3 9 4 19 5 1 1 0 64,80%
3 12 16 9 6 16 18 1 1 1 7 20 9 2 0 1 1 62,37%
4 13 2 8 23 10 1 1 6 21 18 22 16 9 0 1 1 56,09%
5 5 10 7 0 1 24 3 7 15 1 25 17 6 0 1 3 59,88%
6 4 2 7 22 2 12 12 6 13 18 22 19 8 0 1 4 52,45%
7 12 13 3 4 10 7 16 2 21 18 10 0 8 1 1 0 58,52%
8 2 7 17 21 15 9 9 12 21 12 10 4 14 1 0 4 55,25%
9 9 2 3 14 2 20 7 6 18 6 23 20 6 0 1 0 61,60%
10 8 16 3 24 9 13 6 1 19 18 19 13 1 1 1 0 52,60%
11 4 5 9 17 13 14 3 2 18 14 25 0 5 1 0 4 60,61%
12 6 0 7 21 7 20 12 7 5 16 14 6 1 1 1 1 57,29%
13 9 13 7 16 16 1 2 5 2 7 6 12 7 1 1 1 60,29%
14 2 4 6 6 1 0 0 12 22 10 19 3 10 0 1 1 68,57%
15 1 6 14 2 6 6 1 12 21 15 9 19 2 1 1 5 52,71%
16 10 4 12 8 8 17 13 6 21 7 18 15 7 1 1 4 47,45%
17 3 2 4 3 8 17 6 3 12 7 8 3 2 0 1 2 70,27%
18 7 7 7 2 6 8 7 10 23 12 11 14 5 0 1 4 58,37%
19 3 7 0 22 7 19 4 9 1 8 20 4 5 0 1 1 64,97%
20 13 3 0 13 9 9 4 4 0 18 6 5 3 1 1 3 61,08%
21 0 2 12 23 4 19 1 10 1 16 18 3 14 1 0 1 67,09%
22 5 4 7 14 9 1 2 5 22 16 23 11 1 0 0 1 72,77%
23 7 0 4 17 3 9 14 8 1 1 10 9 6 1 1 0 65,96%
24 1 16 3 1 7 2 10 5 24 0 12 9 6 1 0 5 66,35%
25 10 14 12 11 11 12 14 4 23 2 19 1 5 1 0 0 65,08%
26 0 13 8 15 7 12 4 1 13 5 10 10 0 1 1 2 60,35%
63
27 5 8 1 7 7 18 6 7 6 8 11 4 3 1 0 4 69,01%
28 4 9 7 8 6 7 9 5 13 3 16 5 3 0 0 0 79,64%
3.2.3 Análise de Requisitos
São apresentados a seguir os Requisitos Funcionais e Não-Funcionais e as Regras de
Negócio do sistema.
3.2.3.1 Requisito Funcional
O sistema deve apresentar a sugestão de pacote turístico de acordo com os
dados de entrada;
3.2.3.2 Requisitos Não-Funcionais
O sistema deve receber e devolver dados através de webservice;
O Webservice a ser utilizado deverá ser do paradigma REST;
O sistema deve ser desenvolvido em linguagem para plataforma web,
especificamente JAVA.
3.2.3.3 Regras de Negócio
Para cada entrada de dados o sistema deverá apresentar um ou mais casos que
mais se assemelham à situação-problema;
O sistema deve permitir o cálculo de similaridade sem os índices: sexo, idade e
estado civil;
Para o cálculo de similaridade, são obrigatórios os valores dos atributos dos
índices Humor e Perfil.
3.2.4 Diagrama de Classes
O Diagrama de Classes é uma representação da estrutura e relações das classes que
servem de base para a posterior codificação do sistema. No caso deste Trabalho, o Diagrama
64
de Classes, conforme Figura 17. Diagrama de Classes, é bastante sucinto, uma vez que o
objetivo principal é focado na formulação da equação utilizada para recuperar o caso mais
similar à situação-problema; ficando ao cargo do Sistema Crestani, que possui toda a interface
com o usuário já desenvolvida, o tratamento dos dados e a manipulação da informação depois
que o motor a inferiu.
Figura 17. Diagrama de Classes
3.2.5 Diagrama de Casos de Uso
A seguir, conforme a Figura 18, é apresentado o Diagrama de Casos de Uso do Motor
de Inferência, que segundo Furlan (1998), representa uma visão de alto nível de
funcionalidade intencional mediante o recebimento de um tipo de requisição do usuário.
65
Figura 18. Diagrama de Casos de Uso
O Diagrama demonstra os quatro casos de uso que o sistema irá operacionalizar:
UC01.01 - Recupera Caso, UC01.02 - Sugerir Pacote, UC01.03 - Adapta Caso e UC01.04 -
Aprende.
O caso de uso UC01.01 - Recupera Caso, aplica na base de dados a fórmula da
similaridade, demonstrada no Item 3.4.2. Algoritmo, de acordo com os dados da situação-
problema advindos das respostas às questões aplicadas pelo Sistema Crestani ao usuário,
apresentando o grau de similaridade, através da distância, de cada um dos casos da base de
casos em relação à situação-problema.
O caso de uso UC01.02 - Sugere Pacote sugere um ou mais pacotes, conforme os
casos mais similares encontrados na base de casos em relação à situação-problema, utilizando
a técnica de RBC, conforme detalha o item 3.2 Modelagem do Sistema.
Por fim, os casos de uso UC01.03 - Adapta Caso e UC01.04 - Aprende, são casos de
uso apresentados na Figura 18, como parte do projeto, entretanto, não foram implementados
efetivamente. Não serão reutilizados casos novos ou adaptados casos já cadastrados na base,
sendo sugeridas estas atividades como trabalhos futuros.
66
3.3 Modelagem do Banco de Dados
O diagrama de Entidade-Relacionamento, utilizado para representar as entidades e
atributos e os respectivos relacionamentos, no projeto de Banco de Dados, é apresentado
através da Figura 19. No contexto deste projeto, são registrados no Banco de Dados, apenas
os casos a serem utilizados pela Máquina de Inferência que servirão de base para o cálculo e o
respectivo resultado final.
Cada caso terá um ID que o identifica, sua data de criação e o pacote resultante de suas
respectivas informações obtidas através do Crestani. Estas informações também são
armazenadas referencialmente, que são Idade, Estado Civil e Sexo, além das notas para cada
um dos Humores (alegre, triste, irritado, ansioso e calmo) e cada um dos Perfis (aventureiro,
solitário, gregário, festeiro, artístico, acadêmico, pacato, romântico).
Figura 19. Modelagem Banco de Dados - CASO
3.4 Integração
A forma de integração entre os dois sistemas se dá através de um WEBSERVICE, na
arquitetura de Representation State Transfer (REST), que é construído através de pedaços de
67
informação única identificada em Uniform Ressource Locator (URL). Em sistemas REST, os
recursos são manipulados através da troca de representações do recurso (SANTOS, 2008).
O aplicativo Crestani capta todas as respostas escolhidas pelo usuário e na URL, como
exemplo representada no Quadro 1, encaminha tais informações acessando e acionando o
Motor de Inferência.
http://ec2-107-22-49-23.compute-
1.amazonaws.com:8080/motor/Recomenda?dados=
{"sexo":0,"idade":1,"estadoCivil":4,"h1":3,
"h2":15,"h3":12,"h4":1,"h5":22,"p1":18,"p2":2,
"p3":16,"p4":15,"p5":4,"p6":23,"p7":11,"p8":8}
Quadro 1. URL de Integração
A URL representada no Quadro 1 mostra, conforme destacado em vermelho, o
servidor onde o Motor de Inferência está hospedado, bem como a porta de acesso ao
aplicativo – 8080. Em seguida é indicado o diretório específico e o serviço a ser requisitado.
Ao final da URL, na variável chamada “dados” e entre colchetes, são enviados os dados
recuperados da conta do Facebook do usuário em questão e as notas finais aplicadas a cada
um dos atributos de humor e de perfil.
Após o cálculo realizado, o motor de inferência retorna para o Crestani apenas o ID do
pacote turístico recomendado, visto ser o pacote do caso mais próximo em relação às
respostas encaminhadas.
Tendo o pacote recomendado pela Máquina de Inferência, o Sistema Crestani o
apresenta ao usuário, conforme exposto no item 2.6.1 2.6.1 Funcionamento do Sistema,
possibilitando ao usuário o compartilhamento do resultado em sua linha do tempo.
3.5 Testes
Como aponta Camargo (1999), não existe um modelo específico para validação de
sistemas desenvolvidos utilizando a técnica RBC, por estes sistemas se basearem em um
modelo sujeito a experimentações.
68
Para a realização desta etapa de testes, foram projetadas duas provas distintas. A
primeira se dá na verificação do cálculo realizado pela Máquina de Inferência. A segunda
refere-se à eficácia da Máquina em relação a sua indicação baseada nos dados de entrada e na
base de casos pré-existente, no sentido específico do problema a que o projeto se propõe. Esta
última prova foi acompanhada pelo especialista do tema, o Psicólogo, que desde o início do
projeto prestou consultoria garantindo a viabilidade do trabalho.
Para o primeiro teste, no intuito de aferir o cálculo e o resultado gerado pelo Motor de
Inferência, foi criada uma etapa através de um browser, o qual envia um conjunto de dados
idênticos aos que o Sistema Crestani encaminharia. No código da Máquina foram inseridos
comandos que imprimissem na tela as parciais dos cálculos e o resultado final gerado, bem
como os dados de entrada para facilitar a conferência.
Conforme pode ser visualizado no Quadro 2, são apresentados os dados de entrada, os
quais informam o sexo, a faixa etária, o estado civil, e as notas para as cinco características de
humor e oito características de perfil obtidas através das cinco questões apresentadas ao
usuário.
69
{"sexo":1,"idade":5,"estadoCivil":2,"h1":2,"h2":10,"h3":8,"h4":13,"h5":8,"
p1":16,"p2":10,"p3":8,"p4":9,"p5":7,"p6":10,"p7":11,"p8":11}
Caso: 26 - pacote: 31 - distancia: 0.045 aproximacao: 95.493%
Caso: 20 - pacote: 20 - distancia: 0.121 aproximacao: 87.893%
Caso: 25 - pacote: 31 - distancia: 0.131 aproximacao: 86.92%
Caso: 22 - pacote: 16 - distancia: 0.138 aproximacao: 86.227%
Caso: 24 - pacote: 9 - distancia: 0.145 aproximacao: 85.493%
Caso: 30 - pacote: 16 - distancia: 0.151 aproximacao: 84.853%
Caso: 28 - pacote: 17 - distancia: 0.184 aproximacao: 81.6%
Caso: 16 - pacote: 13 - distancia: 0.186 aproximacao: 81.4%
Caso: 23 - pacote: 9 - distancia: 0.213 aproximacao: 78.653%
Caso: 19 - pacote: 9 - distancia: 0.214 aproximacao: 78.613%
Caso: 4 - pacote: 16 - distancia: 0.22 aproximacao: 78%
Caso: 21 - pacote: 11 - distancia: 0.231 aproximacao: 76.88%
Caso: 11 - pacote: 28 - distancia: 0.232 aproximacao: 76.827%
Caso: 3 - pacote: 28 - distancia: 0.237 aproximacao: 76.267%
Caso: 27 - pacote: 17 - distancia: 0.25 aproximacao: 75.013%
Caso: 17 - pacote: 11 - distancia: 0.259 aproximacao: 74.107%
Caso: 29 - pacote: 20 - distancia: 0.264 aproximacao: 73.627%
Caso: 10 - pacote: 11 - distancia: 0.264 aproximacao: 73.613%
Caso: 9 - pacote: 12 - distancia: 0.264 aproximacao: 73.56%
Caso: 8 - pacote: 20 - distancia: 0.268 aproximacao: 73.227%
Caso: 2 - pacote: 13 - distancia: 0.277 aproximacao: 72.28%
Caso: 5 - pacote: 31 - distancia: 0.306 aproximacao: 69.373%
Caso: 6 - pacote: 28 - distancia: 0.307 aproximacao: 69.253%
Caso: 13 - pacote: 17 - distancia: 0.315 aproximacao: 68.467%
Caso: 15 - pacote: 10 - distancia: 0.334 aproximacao: 66.573%
Caso: 12 - pacote: 13 - distancia: 0.336 aproximacao: 66.36%
Caso: 1 - pacote: 12 - distancia: 0.339 aproximacao: 66.053%
Caso: 18 - pacote: 12 - distancia: 0.35 aproximacao: 65.027%
Caso: 7 - pacote: 10 - distancia: 0.366 aproximacao: 63.413%
Caso: 14 - pacote: 10 - distancia: 0.417 aproximacao: 58.293%
Melhor pacote: 31
Quadro 2. Dados de Teste
Após a apresentação dos dados de entrada, são listados cada um dos casos contidos na
base de casos, o pacote respectivo, a distância e a aproximação calculada em relação aos
dados de entrada. Apresentados de forma crescente levando em conta a distância pode-se
perceber que o caso 26 possui a menor distância numérica em relação aos dados de entrada.
Este caso detém o pacote turístico número 31, e como se observa na última linha do teste, é o
pacote inferido como mais indicado para este conjunto de características a ser apresentado ao
usuário do sistema.
Continuando o teste, novos dados de entrada foram inseridos, alterando apenas o sexo,
de 1 para 0. Como pode ser analisado no Quadro 3, são apresentados inicialmente os dados de
70
entrada, em seguida cada um dos casos da base de casos ordenados de forma crescente,
considerando a distância calculada pelo Motor de Inferência em relação aos dados de entrada.
{"sexo":0,"idade":5,"estadoCivil":2,"h1":2,"h2":10,"h3":8,"h4":13,"h5":8,"
p1":16,"p2":10,"p3":8,"p4":9,"p5":7,"p6":10,"p7":11,"p8":11}
Caso: 4 - pacote: 16 - distancia: 0.12 aproximacao: 88%
Caso: 11 - pacote: 28 - distancia: 0.132 aproximacao: 86.827%
Caso: 3 - pacote: 28 - distancia: 0.137 aproximacao: 86.267%
Caso: 26 - pacote: 31 - distancia: 0.145 aproximacao: 85.493%
Caso: 10 - pacote: 11 - distancia: 0.164 aproximacao: 83.613%
Caso: 9 - pacote: 12 - distancia: 0.164 aproximacao: 83.56%
Caso: 8 - pacote: 20 - distancia: 0.168 aproximacao: 83.227%
Caso: 2 - pacote: 13 - distancia: 0.177 aproximacao: 82.28%
Caso: 5 - pacote: 31 - distancia: 0.206 aproximacao: 79.373%
Caso: 6 - pacote: 28 - distancia: 0.207 aproximacao: 79.253%
Caso: 13 - pacote: 17 - distancia: 0.215 aproximacao: 78.467%
Caso: 20 - pacote: 20 - distancia: 0.221 aproximacao: 77.893%
Caso: 25 - pacote: 31 - distancia: 0.231 aproximacao: 76.92%
Caso: 15 - pacote: 10 - distancia: 0.234 aproximacao: 76.573%
Caso: 12 - pacote: 13 - distancia: 0.236 aproximacao: 76.36%
Caso: 22 - pacote: 16 - distancia: 0.238 aproximacao: 76.227%
Caso: 1 - pacote: 12 - distancia: 0.239 aproximacao: 76.053%
Caso: 24 - pacote: 9 - distancia: 0.245 aproximacao: 75.493%
Caso: 18 - pacote: 12 - distancia: 0.25 aproximacao: 75.027%
Caso: 30 - pacote: 16 - distancia: 0.251 aproximacao: 74.853%
Caso: 7 - pacote: 10 - distancia: 0.266 aproximacao: 73.413%
Caso: 28 - pacote: 17 - distancia: 0.284 aproximacao: 71.6%
Caso: 16 - pacote: 13 - distancia: 0.286 aproximacao: 71.4%
Caso: 23 - pacote: 9 - distancia: 0.313 aproximacao: 68.653%
Caso: 19 - pacote: 9 - distancia: 0.314 aproximacao: 68.613%
Caso: 14 - pacote: 10 - distancia: 0.317 aproximacao: 68.293%
Caso: 21 - pacote: 11 - distancia: 0.331 aproximacao: 66.88%
Caso: 27 - pacote: 17 - distancia: 0.35 aproximacao: 65.013%
Caso: 17 - pacote: 11 - distancia: 0.359 aproximacao: 64.107%
Caso: 29 - pacote: 20 - distancia: 0.364 aproximacao: 63.627%
Melhor pacote: 16
Quadro 3. Dados de Teste 2
Neste caso, observa-se que o caso de número 04, após a ação do Motor de Inferência,
é o que mais se aproxima aos dados de entrada e como este detém o pacote turístico número
16, na última linha nota-se este indicado como melhor pacote para o usuário.
Desta forma, apresentando numa etapa à parte, o cálculo realizado pela Máquina de
Inferência, atestou-se a sua eficácia num perfeito funcionamento.
71
Para o segundo teste foi utilizada uma base de casos, contendo 30 casos, conforme o
Anexo previamente povoada com o auxílio do Psicólogo especialista no intuito de iniciar o
uso do sistema com uma base de dados coesa e coerente.
Para a execução dos testes, utilizou-se de base um conjuntos de dados de entrada,
contendo a idade, sexo, estado civil e as cinco respostas das questões realizadas pelo Crestani.
Estas informações foram avaliadas pelo Psicólogo e foram indicados, a partir da expertise do
especialista, os pacotes turísticos mais adequados de se oferecer para cada um dos perfis por
ele traçados.
Por outro lado, mediante os mesmos dados inseridos no sistema e a realização do
calculados pela Máquina de Inferência, foram inferidos pacotes turísticos mais adequados
para cada um dos conjuntos de dados.
Desta forma, a partir dos resultados gerados pelo Sistema e a avaliação prévia do
especialista, foi avaliada a eficácia do projeto do ponto de vista do Psicólogo.
Tabela 11. Teste do Psicólogo
Questões Estado
Civil Sexo Idade Resultado - Pacote
Avaliação do Psicólogo Q1 Q2 Q3 Q4 Q5
Teste 1 D B C B B 2 0 6 31 Coerente
Teste 2 D B D C A 1 0 1 17 Coerente
Teste 3 D C D C A 2 0 2 17 Coerente
Teste 4 A A B D C 0 0 3 12 Coerente
Teste 5 D B E D A 2 0 4 28 Coerente
Teste 6 D D A A C 0 1 3 20 Coerente
Teste 7 C A B E C 0 1 4 10 Coerente
A Tabela 11 apresenta os dados de entrada utilizadas no cumprimento dos testes, bem
como o resultado inferido pela Máquina. A última coluna da tabela apresenta a avaliação
realizada pelo especialista, onde cada teste foi classificado como coerente ou não coerente de
acordo com o pacote turístico inferido para o conjunto de características inseridas, analisados
de forma acadêmica sob a ótica da Psicologia.
Como se observou, a avaliação geral deste último teste foi positiva, visto que em todas
as entradas de dados para teste a proposição final foi coerente. Juntamente com o resultado do
72
primeiro teste, a execução do Sistema e da Máquina de Inferência estão em perfeito
funcionamento, sob vista tanto computacional como da Psicologia.
4 CONCLUSÕES
O principal objetivo atingido por este Trabalho Técnico-Científico foi o
desenvolvimento de um motor de inferência para um sistema de recomendação de pacotes
turísticos utilizando Raciocínio Baseado em Casos.
A primeira etapa consistiu em pesquisar e fundamentar todos os conceitos envolvidos
no desenvolvimento do projeto, permitindo através de embasamento teórico, a execução do
trabalho.
A segunda etapa restringe-se à modelagem do sistema, definindo todos os parâmetros
e métricas necessárias para posterior implementação da máquina de inferência. Esta
modelagem apresentou os índices e atributos que são utilizados nas operações do sistema, o
algoritmo empregado, a análise de requisitos e os diagramas de classe e de casos de uso.
O objetivo que se refere à implementação de fato da Máquina de Inferência foi
atingido conforme sua modelagem, porém, cabe destacar que foi necessária a revisão do
Banco de Dados, uma vez que inicialmente tinha-se proposta a adoção do Banco apenas pelo
Sistema Crestani, e durante o desenvolvimento foi deflagrada a necessidade da criação da
Base de Casos junto da Máquina de Inferência, conforme apresenta o item 3.3 Modelagem do
Banco de Dados.
Com o apoio do Psicólogo foi realizado o povoamento inicial da Base de Casos e
realizada a integração entre a Máquina de Inferência e o Sistema Crestani. Ressalta-se que
estes dois pontos eram delineados como itens de risco ao sucesso do projeto, entretanto, não
houve intercorrência, permitindo a continuidade da execução do trabalho.
Por fim, a etapa de testes esquematizou a fase de verificação do cálculo realizado pela
Máquina de Inferência, além de comprovar a eficácia da Máquina em relação ao tema
especialista, acompanhado pelo Psicólogo; e finalmente atestou positivamente o
desenvolvimento do projeto tanto sob vista computacional como da Psicologia.
Todos os objetivos deste projeto foram atingidos, permitindo o alcance do objetivo
principal, implementar o Motor de Inferência e integrá-lo ao Sistema Crestani, com sucesso
no seu funcionamento comprovado através da fundamentação teórica, da modelagem e
74
posterior implementação e integração do Motor e devidamente testado com uma base de casos
e apoio do Psicólogo.
Contudo, como trabalho futuro, dando continuidade ao aprimoramento do Sistema
Crestani, principalmente no seu subsistema – o Motor de Inferência, recomenda-se a
implementação dos casos de uso UC01.03 e UC01.04, Adapta e Aprende, respectivamente,
apresentados no item 3.2.5 Diagrama de Casos de Uso.
Para tal, o adequado seria o acompanhamento do usuário, obtendo a informação se o
pacote turístico foi realmente comprado ou não e, ainda, caso tenha sido obtido pelo viajante,
se o destino foi apreciado pelo mesmo. Entretanto, o Sistema Crestani não possui essa
intensão, optando por não armazenar informações pessoais do usuário.
Portanto, sugere-se que o Motor retorne ao Sistema Crestani, após a aplicação da
fórmula de similaridade, ao invés de apenas um pacote, os três pacotes turísticos dos três
casos ranqueados como mais próximos. Os pacotes devem ser apresentados ao usuário e caso
o mesmo opte como mais adequado um dos pacotes que não seja o principal inferido pelo
cálculo da Máquina, utilizando da técnica de adaptação, o conjunto de informações de entrada
e este novo pacote turístico devem ser gravados na base de casos como um novo caso,
garantindo o aprendizado do sistema e sua evolução constante nas próximas iterações.
75
REFERÊNCIAS
AAMODT, A.; PLAZA, E. Case-Based Reasoning: Foundational Issues, Methodological
Variations, and System Approaches. 3 jul. 1996. Disponível em:
<http://www.iiia.csic.es/People/enric/AICom.html>. Acesso em: 26 set. 2012.
ABEL, M.; CASTILHO, J. M.V. Um estudo sobre Raciocínio Baseado em Casos. 1996. 41.
Trabalho Individual (Pós-Graduação em Ciência da Computação) – Universiade Federal do
Rio Grande do Sul, Porto Alegre, 1996.
ADOMAVICIUS, G., TUZHILIN, A., Toward the next generation of recommender
systems: A Survey of the State-of-the-Art and Possible Extensions, IEEE Transactions on
Knowledge and Data Engineering, v. 17, n. 6, p. 734-749. 2005.
AFTANAS, M. S. On revitalizing the measurement curriculum. Stara Lubovna: American
Psychologists, 1994.
AGÊNCIA NACIONAL DE TELECOMUNICAÇÕES. Relatório Anual 2010. Brasília, 2010
.
ALCHIERI, J. C & CRUZ, R. M. Avaliação psicológica: conceito, métodos e instrumentos.
São Paulo: Casa do Psicólogo, 2003.
ALMEIDA, L. S. Avaliação psicológica: exigências e desenvolvimentos nos seus métodos.
São Paulo: Casa do Psicólogo, 1999.
ANASTASI, A. Testes Psicológicos. São Paulo: EPU, 1977.
ANASTASI, A.; URBINA S. Testagem Psicológica. Porto Alegre: Artes Médicas, 2000.
BARRETTO, M. Manual de Iniciações ao Estudo do Turismo. 9.ed. Campinas: Papirus,
1999.
BURKE, R. Hybrid Recommender System. The Adaptive Web: Methods and Strategies of
Web Personalization, Berlin-Heidelberg, v.4321, p. 377-408, 2007.
76
CABRINO, T. Marketing de Relacionamento. Disponível em <http://www.portaldo
marketing.com.br/Artigos/Marketing%20de%20Relacionamento.htm> Acesso em: 03 dez.
2012.
CAMARGO, Katia Gavranich. Inteligência Artificial aplicada à nutrição na prescrição de
planos alimentares. 1999. Dissertação (Mestrado em Engenharia de Produção) - Programa de
pós-graduação em Engenharia de Produção, Universidade Federal de Santa Catarina,
Florianópolis, 1999.
NOVO, investimento eleva valor do Facebook para US$50 bi. Portal Hoje Notícia Atual, Piauí,
03 jan. 2011. Disponível em: <http://v1.portalhoje.com/novo-investimento-eleva-valor-do-
facebook-para-us-50-bi/1455346>. Acesso em: 03 de jun. 2011.
CASTELLI, G. Administração Hoteleira. 9.ed. Caxias do Sul: Educs, 2003.
COELHO, F. Pra onde você tem de ir. Projeto Integrador (Graduação em Tecnologias para
Internet) – Centro de Ciências Tecnológicas da Terra e do Mar, Universidade do Vale de
Itajaí, Itajaí, 2011.
CONSELHO FEDERAL DE PSICOLOGIA – CFP (2003). Resolução CFP nº002/2003.
Disponível em: http://www.pol.org.br/resoluções. Acesso em 23: maio 2008.
CRONBACH, L. J. Fundamentos da testagem psicológica. Porto Alegre: Artes Médicas,
1996.
CUSTÓDIO, E. M. Avaliação das dificuldades de aprendizagem: Novas perspectivas para
a avaliação psicoeducacional. Campinas: Alínea, 1996.
DIAS, E. M. Sistemas de Recomendação de Pacotes Turísticos Baseado em Filtragem
Colaborativa usando Algoritmos Genéticos. 2011 (Trabalho de Conclusão de Curso) –
Graduação em Ciência da Computação, Universidade Luterana do Brasil, Canoas, 2011.
DRUCKER, P. Desafios gerenciais para o século XXI. São Paulo: Pioneira, 1999.
EM, fase de migração, O Estadão Online, São Paulo, 9 set. 2012. Link. Disponível em: <http:// http://blogs.estadao.com.br/link/tag/audiencia/>. Acesso em 28 set 2012.
77
FOUSS, F., SAERENS, M., Evaluating performance of recommender systems: An
Experimental Comparison, In: IEEE/WIC/ACM International Conference on Web
Intelligence, p. 735-738, 2008.
FURLAN, José Davi. Modelagem de objetos através da UML: the unified modeling
language São Paulo: Makron Books, 1998.
GAZZANA, P. P., SILVEIRA, S. R. Sistema de recomendação para a área de turismo.
2009. In: VIII SEMINFO - Seminário de Informática. Torres: ULBRA, 2009.
GUNAWARDANA, A., SHANI, G. A Survey of accuracy evaluation metrics of
recommendation tasks. Journal of Machine Learning Research, p. 2935-2962. 2009.
IGNARRA, L. R. Fundamentos do turismo. São Paulo: Eugênia Pessotti, 2003.
KOHN, S. Por que o vazamento do Google sacudiu a bolsa de valores. 19 out. 2012.
Disponível em: http://olhardigital.uol.com.br/negocios/digital_news/noticias/por-que-o-
vazamento-do-google-sacudiu-a-bolsa-de-valores. Acesso em: 06 dez de 2012.
KOLODNER, J. Case-based reasoning. San Mateo: Morgan Kaufmann, 1993.
KOSLOSKY, M. A. N. Aprendizagem baseada em casos: um ambiente para ensino de
lógica de programação. Dissertação (Mestrado em Engrenharia de Produção) – Programa de
pós-graduação em Engenharia de Produção, Universidade Federal de Santa Catarina, 1999.
KOTLER, P. Administração de marketing. 10.ed. São Paulo: Prentice-Hall, 2000.
KRAUS, H. M. Ferramenta para desenvolvimento de sistemas de raciocínio baseado em
casos. 2009. Dissertação (Mestrado em Computação Aplicada) – Universidade do Vale do
Itajaí, São José, 2009.
LAS CASAS, A.L. Marketing: conceitos, exercícios e casos. São Paulo: Atlas, 2005.
LEE, R.W. Pesquisa Jurisprudencial Inteligente. 1998. Tese (Doutorado em Engenharia de
Produção) – Centro Tecnológico, Universidade Federal de Santa Catarina, Florianópolis,
1998.
78
LI, C. Fenômenos Sociais nos Negócios: vença em um mundo transformado pelas redes
sociais. Rio de Janeiro: Elsevier, 2009.
LORENZI, F.; RICCI, F. Case-based recommender systems: a unifying view. In:
INTELLIGENT TECHNIQUES FOR WEB PERSONALIZATION. Anais… Springer
Verlag, p. 89-113, 2005.
LOVELOCK, C. H.; WRIGHT, L. Serviços: marketing e gestão. São Paulo: Saraiva, 2005.
LUGER, G.; STUBBLEFIELD, W. Artificial Inteligence: structures and strategies for
complex problem solving. Redwood City: CA, 1993.
MACINTOSH, G. R. Turismo – planeación, administración y perspectivas. Cidade do
México: Editorial Limusa, 2000.
MANBER, U. et al. Experience with Personalization on Yahoo! Commun. ACM, New York, v.43, n.8, p. 35-39, 2000 MARCONDES, J. L. SADTUR – Sistema especialista de apoio à decisão em inventário e diagnóstico turístico. 2003. Dissertação (Mestrado em Administração) – Universidade Federal de Santa Catarina. 2003. MEYER, J. T. O turismo como fenômeno social de inversão. 2007. Trabalho de Conclusão
de Curso (Graduação em Turismo) - Universidade Católica do Rio Grande do Sul, Porto
Alegre, 2007.
MIRANDA, E. M.; SANTOS, F. G. Raciocínio baseado em casos. In: FERNANDES, A. M.
R. Inteligência Artificial: noções gerais. 2.ed. Florianópolis: Visual Books, 2005. p.27-56.
MOESCH, M. M. Construção metodológica dialética: por uma epistemologia do
turismo.1999. Dissertação (Mestrado em Comunicação Social) - Faculdade de Comunicação
Social, Pontifícia Universidade Católica do Rio Grande do Sul, Porto Alegre, 1999.
79
MOLINA, S. Conceptualizacion del turismo. México: Limusa, 2004.
NACIMENTO JR, C.; YONEYANA, T. Inteligência Artificial em controle e automação.
São Paulo: E. Blücher, 2000.
NORONHA, A. P. P., VENDRAMINI, C. M. M. Parâmetros psicométricos: estudo
comparativo entre testes de inteligência e de personalidade. Porto Alegre: Reflexão e Crítica,
2003.
OAKLAND, T. Qualities that will influence testing and assessment practices with
children and youth toward the beginning of the twenty-first century: International
perspectives. Campinas: Psicologia Escolar e Educacional, 1996.
OMT, Organização Mundial do Turismo. Introdução ao turismo. São Paulo: Rocca, 2001.
O OBSERVADOR BRASIL. Conheça o perfil dos consumidores brasileiros. São
Paulo:[s.n.], 2011.
PAESTRO: Aplicativos para móbile marketing. 2010. Disponível em:
<http://www.iabbrasil.org.br/arquivos/doc/Aplicativos-Mobile-Marketing-Praesto.pdf>.
Acesso em: 01 set. 2012.
PASQUALI, L. Técnicas de exame psicológico – TEP. Manual. Vol. I: Fundamentos das
técnicas psicológicas. São Paulo: Casa do Psicólogo, 2001.
PRIMO, T.; LOH, S. Técnicas de Recomendação para usuários de Bibliotecas Digitais. In:
Simpósio Brasileiro de Sistemas de Informação, 2006, Curitiba. Anais... Curitiba: UNICEN,
2006.
RAMSAMY, M. S. Substainable Tourism. In: W., Lutz. Population, Development,
Environment: Understanding their Interactions in Mauritius. Berlin: Springer Verlag, 1994.
RESNICK, P.; VARIAN, H. R. Recommender systems. New York: ACM, 1997.
80
REIS, L. A.; CARGNIN. M. L. SDDEP: uma aplicação na área médica utilizando raciocínio
baseado em casos. 1997. Relatório de Estágio (Graduação em Ciência da Computação) –
Centro Tecnológico, Universidade Federal de Santa Catarina, Florianópolis, 1997.
RICH, E. Inteligência artificial. São Paulo: McGraw-Hill, 1988.
RIESBECK, C. K.; SCHANK, R. C. Inside case-based reasoning. New Jersey: Lawrence
Erlbaum, 1989.
RUSCHMANN, D. M. Marketing turístico: um enfoque promocional. 8ª ed. Campinas, SP:
Papirus, 2003.
SÁ, F. P. A avaliação da recuperação no raciocínio baseado em casos estrutural e textual
em um sistema de helpdesk. 2007. Dissertação (Mestrado em Informática) – Universidade
Católica de Santos, Santos, 2007.
SALVIA, J.; YSSELDYKE, J. Avaliação em educação especial e corretiva. São Paulo:
Manole, 1991.
SANTOS, W. Entendendo REST. 2008. Disponível em: <http://netfeijao.blogspot.com.br/
2008/08/entendendo-rest-representational-state.html>. Acesso em: 07 dez 2012.
SCHMITT, B. O modelo das experiências. HSM Management, São Paulo, v.4, n.23, p.82-
88, nov./dez., 2000.
SMITH, V. Host and Guests: The antropology of tourism. Pannsylvania: University of
Pennsylvania Press, 1977.
SISTO, F. F.; SBARDELINIi, E. T. B.; PRIMI, R. Contextos e questões da avaliação
psicológica. São Paulo: Casa do Psicólogo, 2001.
SWARBROOKE, J.; HORNER, S. O comportamento do consumidor no turismo. São
Paulo: Aleph, 2002.
SHAFER, J.; KONSTAN, J.; RIEDL, J. E-Commerce Recommendation Applications. Data
Mining and Knowledge Discovery, v.5, n.1, p. 115-153, 2001.
81
SMARTPHONE, aquecem as vendas de celulares. Revista Exame OnLine, São Paulo.
Disponível em: <http: // portalexame.abril.com.br / ae /economia / Smartphones – aquecem –
vendas – celulares – 364497.shtml>. Acesso em: 10 de dez. 2011.
SOUZA, P. R. S. IA – Inteligência Artificial, 2009. Disponível em:
<http://www.educaonline. eng.br/UNIP/HTML/IA/IA_1.pdf>. Acesso em: 05 dez. 2012.
TAURION, C. A revolução digital é fato consumado – como ela pode ajudar as
empresas? 23 dez. 2012. Disponível em: <http://imasters.com.br/gerencia-de-ti/tendencias/a-
revolucao-digital-e-fato-consumado-como-ela-pode-ajudar-as-empresas>. Acesso em: 09 dez.
2012.
TORRES, R. Personalização na Internet. São Paulo, SP: Novatec, 2004.
VAZ, C. A. Google marketing: o guia definitivo de marketing digital. São Paulo: Novatec,
2010.
WANGENHEIM, C. G.; WANGENHEIM, A. Raciocínio baseado em casos. São Paulo:
Manole, 2003.
WATSON, I. CBR is a methodology not a technology. University of Salford, UK, 2000.
Disponível em <http://www.cs.auckland.ac.nz/~ian/papers/cbr/methodology.pdf>. Acesso
em: 25 set 2012.
_____. Appying case-based reasoning: tecniques for enterprise systems. San Francisco:
Morgan Kaufmann, 1997.
WECHSLER, S. M. Guia de procedimentos éticos para a avaliação psicológica. Em S. M.
Wechsler & R. S. L. Guzzo (Org.), Avaliação psicológica: perspectiva internacional (p.
133-141). São Paulo: Casa do Psicólogo, 1999.
WILK, W.; BERGMANN, R. Techniques and knowledge used for adaptation during case-
based problem solvin. In: International Conference on Industrial and Engineering
Applications of Artificial Intelligence and Expert Systems, 11., Proceeding…, 1998.
82
WITTER, G. P.; DAVID, J. B. Auto e hetero-avaliações: Estudos de Psicologia. 1996.
Dissertação (Pós-Graduação em Psicologia) - PUCCAMP, São Paulo, 1996.
83
5 ANEXO A
1) A sua viagem ideal é... a) com amigos (Alegre 4, Triste 2, Irritado 0, Ansioso 1, Calmo 3, Aventureiro 3, Gregário 5,
Festeiro 4, Artístico 3, Acadêmico 2, Pacato 2, Romântico 0, Solitário 0) b) com a família (Alegre 3, Triste 2, Irritado 0, Ansioso 1, Calmo 3, Aventureiro 0, Gregário 4,
Festeiro 1, Artístico 0, Acadêmico 1, Pacato 4, Romântico 1, Solitário 0) c) sozinho (Alegre 1, Triste 3, Irritado 3, Ansioso 2, Calmo 3, Aventureiro 3, Gregário 0, Festeiro
2, Artístico 3, Acadêmico 4, Pacato 3, Romântico 0, Solitário 5) d) com uma boa companhia (Alegre 4, Triste 2, Irritado 1, Ansioso 1, Calmo 2, Aventureiro 3,
Gregário 3, Festeiro 2, Artístico 2, Acadêmico 1, Pacato 1, Romântico 5, Solitário 0) e) tanto faz (Alegre 1, Triste 4, Irritado 5, Ansioso 2, Calmo 3, Aventureiro 3, Gregário 1, Festeiro
2, Artístico 2, Acadêmico 2, Pacato 3, Romântico 0, Solitário 3)
2) Um bom lugar para se estar é... a) em casa (Alegre 1, Triste 3, Irritado 3, Ansioso 4, Calmo 2, Aventureiro 0, Gregário 2, Festeiro
0, Artístico 1, Acadêmico 3, Pacato 5, Romântico 2, Solitário 3) b) numa festa (Alegre 4, Triste 1, Irritado 2, Ansioso 1, Calmo 0, Aventureiro 3, Gregário 4,
Festeiro 5, Artístico 3, Acadêmico 1, Pacato 0, Romântico 2, Solitário 0) c) na praia (Alegre 3, Triste 1, Irritado 2, Ansioso 1, Calmo 3, Aventureiro 3, Gregário 3, Festeiro
3, Artístico 1, Acadêmico 0, Pacato 2, Romântico 2, Solitário 2) d) numa fazenda (Alegre 2, Triste 1, Irritado 3, Ansioso 3, Calmo 2, Aventureiro 1, Gregário 2,
Festeiro 0, Artístico 1, Acadêmico 0, Pacato 5, Romântico 1, Solitário 3) e) em qualquer lugar, menos aqui (Alegre 0, Triste 4, Irritado 5, Ansioso 3, Calmo 1, Aventureiro
1, Gregário 1, Festeiro 2, Artístico 1, Acadêmico 1, Pacato 2, Romântico 1, Solitário 3)
3) O que eu mais quero hoje... a) é um bom prato de comida (Alegre 3, Triste 3, Irritado 1, Ansioso 4, Calmo 1, Aventureiro 1,
Gregário 0, Festeiro 1, Artístico 1, Acadêmico 2, Pacato 3, Romântico 1, Solitário 3) b) um minuto de sossego (Alegre 0, Triste 3, Irritado 5, Ansioso 4, Calmo 0, Aventureiro 1,
Gregário 0, Festeiro 0, Artístico 2, Acadêmico 3, Pacato 3, Romântico 0, Solitário 4) c) algo bom para fazer (Alegre 1, Triste 5, Irritado 3, Ansioso 3, Calmo 1, Aventureiro 2,
Gregário 2, Festeiro 3, Artístico 1, Acadêmico 2, Pacato 3, Romântico 1, Solitário 1) d) companhia (Alegre 1, Triste 4, Irritado 2, Ansioso 2, Calmo 3, Aventureiro 2, Gregário 5,
Festeiro 4, Artístico 2, Acadêmico 1, Pacato 2, Romântico 4, Solitário 0) e) festa! (Alegre 5, Triste 0, Irritado 1, Ansioso 2, Calmo 1, Aventureiro 2, Gregário 5, Festeiro 5,
Artístico 1, Acadêmico 0, Pacato 0, Romântico 2, Solitário 0)
4) Prefiro... a) Águia (Alegre 1, Triste 3, Irritado 2, Ansioso 2, Calmo 4, Aventureiro 4, Gregário 0, Festeiro 0,
Artístico 2, Acadêmico 3, Pacato 2, Romântico 0, Solitário 5)
84
b) Crocodilo (Alegre 0, Triste 2, Irritado 5, Ansioso 2, Calmo 2, Aventureiro 4, Gregário 1,
Festeiro 0, Artístico 1, Acadêmico 2, Pacato 3, Romântico 0, Solitário 3)
c) Peixe (Alegre 2, Triste 3, Irritado 0, Ansioso 1, Calmo 4, Aventureiro 4, Gregário 5, Festeiro 2,
Artístico 1, Acadêmico 3, Pacato 4, Romântico 1, Solitário 0)
d) Urso panda (Alegre 4, Triste 2, Irritado 0, Ansioso 1, Calmo 3, Aventureiro 1, Gregário 2,
Festeiro 1, Artístico 2, Acadêmico 3, Pacato 5, Romântico 4, Solitário 3)
85
e) Cabrito (Alegre 1, Triste 3, Irritado 4, Ansioso 2, Calmo 3, Aventureiro 4, Gregário 2, Festeiro
1, Artístico 2, Acadêmico 3, Pacato 4, Romântico 1, Solitário 4)
5) Quando olho essa imagem o que mais me chama a atenção é:
86
a) Um casal (Alegre 3, Triste 2, Irritado 1, Ansioso 0, Calmo 3, Aventureiro 1, Gregário 2, Festeiro 1, Artístico 0, Acadêmico 0, Pacato 2, Romântico 5, Solitário 1)
b) Um lago (Alegre 1, Triste 3, Irritado 2, Ansioso 1, Calmo 3, Aventureiro 4, Gregário 1, Festeiro 1, Artístico 3, Acadêmico 1, Pacato 3, Romântico 0, Solitário 4)
c) Uma árvore retorcida (Alegre 0, Triste 5, Irritado 4, Ansioso 2, Calmo 2, Aventureiro 1, Gregário 0, Festeiro 0, Artístico 4, Acadêmico 3, Pacato 2, Romântico 0, Solitário 3)
d) Um bebê (Alegre 3, Triste 1, Irritado 0, Ansioso 2, Calmo 3, Aventureiro 0, Gregário 1, Festeiro 1, Artístico 3, Acadêmico 0, Pacato 1, Romântico 3, Solitário 0)
e) Tudo isso (Alegre 0, Triste 0, Irritado 0, Ansioso 4, Calmo 0, Aventureiro 0, Gregário 0, Festeiro 0, Artístico 0, Acadêmico 0, Pacato 0, Romântico 0, Solitário 0)
87
6 ANEXO B
ID Pacote Descrição do Pacote
0
Porto de Galinhas Paraíso do litoral pernambucano, Porto
de Galinhas está há cerca de 70 km da capital
Recife. No Pontal do Maracaípe é possível
fazer passeios de jangada e mergulho. Ainda
tem o passeio de catamarã, que leva até a bela
ilha de Santo Aleixo. Além de tudo isso, a
estrutura é ótima, com muitos bares e
restaurantes na região do centro.
1 Golfe em Bariloche Desfrute do golfe no país que tem
como tradição esse esporte. Campos
ondulados com, uma ótima grama e com 18
buracos. Saídas de Buenos Aires
2 Inglaterra - Harry
Potter Extravaganza
Por quase uma década, pessoas do
mundo inteiro ficaram encantados com os
filmes de Harry Potter. Os maravilhosos
efeitos especiais, cenários e criaturas incríveis
fizeram desta série um sucesso e amado por
pessoas de diferentes faixas etárias. Agora
vocês poderão ver os locais e desfrutar do
cenários exibidos assim como os não exibidos
nos filmes.
3 Rota do Whisky O roteiro passa pelas principais
destilarias, com a possibilidade de conhecer o
processo de fabricação e experimentar blends
finos "O uísque é o melhor amigo do homem.
É o cachorro engarrafado". Assim já dizia o
Vinicius de Moraes, referindo-se à bebida
mais apreciada nas rodas masculinas. Agora
imagine se o poeta estivesse aqui para fazer
uma viagem pelo país de origem de seu
companheiro de todas as horas (e não estamos
falando do Tom Jobim). O Whisky Festival
Tour, é um roteiro especial na Escócia, no
qual pode-se conhecer as principais destilarias
do país, aprender as origens da bebida, e claro,
degustar doses de blends tradicionais.
88
4 China - Caminhos
da Felicidade
Se seu desejo é se aventurar pela
antiga China, com seus dragões, pagodes,
imperadores e mercadores de seda, escolha a
cidadela fortificada de Ping Yao, próxima a
Beijing. A estadia serena na Jing´s Residence,
linda mansão com mais de 260 anos,
renovada, com pátios internos e pavilhões
individuais, é fascinante. Escute a música
tradicional, prove a culinária milenar e se
encante com histórias extraordinárias
5 Tahiti Bora Bora
PAPEETE e BORA BORA: Desfrute
da Ilha mais charmosa do Pacífico Sul.
Divirta-se em uma excursão onde alimentam-
se tubarões, visite a Lagoonarium, passeie em
barco com fundo de vidro, faça um safári em
jipe ou em veículos 4x4, parasailing, jet ski ou
apenas deleite-se com o cenário. Sugerimos
os restaurantes Lê Matira Beach e La Villa
Mahaha, de cozinha gastronômica
internacional, e Bora Kaina Hut, de cozinha
tradicional e local.
6 Lua de Mel
Pilanesberg e CapeTown
Serão realizados sempre 2 safáris por
dia que duram em média 3 horas (das 6h às
9hrs e das 16h30 às 19h30). Com crianças
menores de 6 anos, é possível solicitar um
safari privativo exclusivo, pois assim os
rangers podem terminá-lo quando necessário.
Além disso é possível desfrutar da piscina do
hotel ou organizar com o ranger safáris a pé
pelas savanas.
PILANESBERG NATIONAL PARK:
Serão realizados safáris fotográficos ao
amanhecer e ao anoitecer.
Espera-se que se tenha a oportunidade de
clicar os Big Five (Elefante, Leão,
Rinoceronte, Búfalo e Leopardo), além das
girafas, zebras, impalas e kudus, hienas, porco
do mato, crocodilos, hipopótamos e muitos
outros animais
CAPE TOWN: visita à cidade,
conhecendo os principais pontos históricos da
“Cidade Mãe” da África do Sul, fundada em
1652 pelo holandês Ian Van Riebeck (o Forte
da Cidade e o Bairro Malaio). Passeie pelos
89
Jardins da Companhia Holandesa das Índias
Orientais e ao Museu Nacional da África do
Sul. Retorno ao hotel. Para os que desejarem,
podem apreciar a bela vista do alto da
Montanha da Mesa. Noite livre para desfrutar
das atrações do Victoria & Alfred Waterfront.
7 Egito Visita às 3 Pirâmides e à Esfingie.
Visita ao Museo Egípcio. Luxor: traslado ao
porto para embarque em cruzeiro. Almoço à
bordo. Visita aos templos de Luxor e Karnak.
Jantar à bordo.Luxor / Esna /
Edfu. Cruzaremos para Orilla Ocidental e
visita à Necrópolis de Tebas: Vale dos Reis, o
Templo da Rainha Hatshepsut e os Colossos
de Mêmnon. Início da navegação até Esna.
Seguindo até Edfu / Kom Ombo /
Aswan. Visita ao Templo do deus Horus em
Edfu. Navegação à Kom Ombo. Visita ao
Templo dedicado aos deuses Sobek e
Haroeris. Navegação até Aswan. Visita à Alta
Represa de Aswan e ao Templo de Philae.
Passeio de Feluco pelo Nilo. Desembarque,
pela manhã, opcional de fazer uma visita aos
famosos templos de Abu Sibel e Ramses II.
8 Poker em Las
Vegas
O pacote de poker pode ser individual
ou para um grupo de jogadores interessados
em passar alguns dias jogando poker em Las
Vegas com tratamento VIP e acesso as
melhores mesas de poker, eventos especiais e
festas. O jogador que adquire o pacote VIP de
poker em Las Vegas, irá acessar a área de
poker do resort casino conveniado de forma
ilimitada, jogando qualquer limite todos os
dias de sua hospedagem. Ao apresentar o
cartão de jogador sempre que estiver em uma
mesa de poker, o cliente irá ter vários
benefícios. Somente em hospedagem, o
cliente já tira o investimento do pacote de
poker em las vegas. Além da hospedagem,
terá acesso a serviços VIP, acesso a eventos
especiais e passe liberado nas mesas de poker.
9 Parque Nacional do
Grand Canyon
Com uma área de cerca de 5 mil km², o
Parque Nacional do Grand Canyon foi
nomeado por seu impressionante e famoso
90
desfiladeiro formado pelo rio Colorado.
Situado no estado americano do Arizona, o
parque atrai numerosos turistas que
aproveitam suas belezas naturais em trilhas,
rafting e acampamentos.
7 ANEXO C
Cas
o
Idad
e
Sex
o
Est
ado
Civ
il
Ale
gre
Tri
ste
Irri
tado
Ansi
oso
Cal
mo
Aven
tur
eiro
Gre
gár
io
Fes
teir
o
Art
ísti
co
Aca
dêm
ico
Pac
ato
Rom
ânti
co
Soli
tári
o
ID
Pac
ote
0 4 1 0 12 13 7 11 13 9 9 6 7 10 14 8 12 3
1 2 1 1 8 11 14 9 8 12 10 7 9 8 13 3 11 4
2 3 1 2 7 17 12 9 13 13 10 10 10 12 14 4 11 8
3 5 1 2 14 10 6 9 13 7 13 8 10 5 13 18 6 5
4 1 1 1 7 11 15 13 8 10 9 10 6 6 9 4 10 9
5 6 1 0 13 10 5 10 7 9 13 13 9 8 9 8 4 8
6 4 1 0 5 15 17 13 9 9 8 4 11 13 15 2 13 1
7 3 1 1 9 10 7 10 12 9 10 10 8 8 11 11 10 7
8 5 1 1 9 13 11 12 11 12 9 6 9 10 16 3 13 3
9 1 1 2 12 12 8 9 13 9 8 10 10 9 13 11 11 2
10 3 1 2 18 8 5 6 10 13 17 16 12 7 9 9 7 8
11 2 1 2 1 18 24 13 8 10 3 4 10 11 13 1 16 4
12 3 1 1 15 11 6 5 14 10 15 11 7 5 11 21 6 6
13 4 1 0 3 17 19 14 10 9 4 3 12 16 17 3 19 1
14 6 1 0 7 14 17 10 11 11 8 6 5 6 16 7 11 1
15 5 2 1 4 21 17 11 11 11 9 9 9 11 14 3 10 4
16 0 2 0 13 11 11 10 11 7 10 11 9 6 10 11 9 2
17 3 1 0 10 14 11 12 11 10 5 3 10 9 13 7 14 3
92
18 1 2 1 9 15 10 9 13 11 15 8 10 8 14 11 6 0
19 4 2 2 10 14 8 12 13 9 10 8 10 10 13 6 9 7
20 2 2 1 10 9 4 13 10 6 11 4 3 6 16 4 6 2
21 3 2 2 7 16 16 9 13 16 9 10 9 8 15 4 14 5
22 1 2 1 10 16 9 8 12 11 15 12 6 8 13 8 5 0
23 4 2 2 9 15 8 7 14 8 17 10 4 6 14 12 4 0
24 5 2 1 7 15 17 9 9 16 9 11 10 8 12 3 11 9
25 6 2 2 10 13 13 8 8 16 11 11 10 7 10 8 8 9
26 1 2 1 14 12 6 5 12 13 19 14 8 6 9 17 1 6
27 2 2 2 13 12 6 5 15 13 18 12 6 5 11 17 3 6
28 3 2 0 9 15 12 12 10 6 9 5 12 14 16 7 13 7
29 4 2 2 20 7 5 5 9 10 16 14 8 5 7 19 4 5