SISTEMA DE RECOMENDAÇÃO DE PACOTES TURÍSTICOS BASEADO EM FILTRAGEM COLABORATIVA USANDO ALGORITMOS GENÉTICOS

Transcrição

1 SISTEMA DE RECOMENDAÇÃO DE PACOTES TURÍSTICOS BASEADO EM FILTRAGEM COLABORATIVA USANDO ALGORITMOS GENÉTICOS Edivan Melo Dias Fabiana Lorenzi - Orientadora Universidade Luterana do Brasil (ULBRA) Curso de Ciência da Computação Campus Canoas Av. Farroupilha, Bairro São José CEP Canoas - RS RESUMO 22 de junho de 2011 Sistemas de recomendações têm sido amplamente utilizados com a intenção de cativar clientes indicando produtos ou serviços de acordo com as preferências do usuário. Diferentemente dos estudos que aplicam as técnicas padrões para esses tipos de sistemas, este artigo apresenta o desenvolvimento de um protótipo de sistema de recomendação que utiliza Algoritmos Genéticos para sugerir aos usuários pacotes turísticos que se encaixem devidamente em seus perfis, alvejando avaliar a eficácia e o comportamento desta técnica inteligente dentro do domínio proposto. Palavras-chave: Sistemas de Recomendação; Filtragem Colaborativa e Algoritmos Genéticos. ABSTRACT Title: A travel package recommender system based on Collaborative Filtering using Genetic Algorithms Recommender systems have been widely used with the intent to engage customers indicating goods or service according to user preferences. Unlike studies that apply the standard techniques for these types of systems, this article presents the development of a prototype recommendation system that uses Genetic Algorithms to suggest users to tour packages that fit properly in their profiles, targeting valuate the efficacy and behavior this clever technique within the proposed area. Key-words: Recommender Systems; Collaborative Filtering and Genetic Algorithms. 1 INTRODUÇÃO Com a grande quantidade de informações e com a fácil disponibilidade obtida das mesmas principalmente por meio da internet, o usuário depara-se com uma grande diversidade de opções. Na maioria das vezes um indivíduo não se sente seguro ou não possui experiência pessoal suficiente para realizar escolhas dentre as alternativas que lhe são oferecidas. Para tornar mínimas as dúvidas diante às escolhas dentre diferentes opções, comumente confia-se nos conselhos e recomendações que são passadas por outras pessoas. Recomendar informações, produtos ou itens que se enquadre no perfil do gosto pessoal de um indivíduo a partir de um sistema informatizado, é uma tendência altamente desafiadora para o mundo virtual, visto que uma recomendação adequada pode fazer a diferença entre conquistar o usuário ou perdê-lo. Para auxiliar neste desafio surgiram os sistemas de recomendação (RESNICK et al., 1994). Fundamentado neste raciocínio, este estudo aborda os conceitos da Filtragem Colaborativa e dos Algoritmos Genéticos para propor um protótipo de aplicação de recomendação que utiliza essas técnicas para a busca da melhor combinação de pesos baseados nas preferências pessoais dos perfis dos usuários, a fim de encontrar o modelo de pacote turístico ideal a ser recomendado. Ao contrário da maioria das pesquisas e artigos que utilizam as técnicas já existentes para esses tipo de aplicações, neste estudo foi utilizado Algoritmos Genéticos, objetivando avaliar o comportamento e a eficácia que essa técnica pode vir a ter quando aplicada nestes tipos de sistemas. Dentro do domínio proposto neste trabalho, o Algoritmo Genético trabalha a fim de encontrar a melhor recomendação dentre um conjunto de possíveis opções a serem indicadas. O trabalho objetiva a criação de uma ferramenta que auxilie na tomada de decisões dos usuários 1

2 alvejando mostrar o processo de desenvolvimento de um protótipo que aplica técnicas inteligentes e agregando conhecimentos dos procedimentos empregados para chegar à solução proposta. Além dos Algoritmos Genéticos, que evoluem dentro de um determinado espaço de busca, a ferramenta também trabalha baseada na técnica de Filtragem Colaborativa, uma vez que possui como base outros perfis de usuários para ajudar na sugestão da melhor opção. O artigo está estruturado da seguinte forma: a seção 2 apresenta além dos trabalhos e pesquisas relacionados á área, o referencial teórico que serviu de apoio para o desenvolvimento do trabalho. A seção 3 descreve o funcionamento e a metodologia do projeto. A seção 4 apresenta o desenvolvimento do protótipo para análise do comportamento do algoritmo. A seção 5 mostra como foi feita a validação e os testes. E finalizando o artigo, a seção 6 apresenta as considerações finais deste estudo. 2 FUNDAMENTAÇÃO TEÓRICA Neste capítulo estão apresentados os principais conceitos de sistemas de recomendação e Algoritmos Genéticos, que ajudarão na compreensão do trabalho. Foram abordadas as características de sistemas de recomendação estabelecidos na literatura e em trabalhos científicos publicados, apontando as principais técnicas de recomendações utilizadas. Além disso, apresenta também, as características dos Algoritmos Genéticos, explicando seu funcionamento, sua estrutura e seus principais parâmetros que podem vir a influenciar em seus resultados finais. Também são apresentados alguns trabalhos e sistemas de recomendações inteligentes que aplicam a técnica de Filtragem Colaborativa. 2.1 Sistemas de Recomendações Os sistemas de recomendação auxiliam na ação de indicar e/ou receber recomendações de itens ou produtos, sejam eles referentes a livros, artigos, discos, restaurantes ou qualquer outro tipo de informação (SHAFFER, 2001). A maneira mais tradicional de recomendar produtos de forma personalizada é pedir aos usuários avaliarem os produtos que consomem, dando-lhes uma nota (geralmente dentro de uma escala, ou representação por estrelas). Essas notas são chamadas de ratings e são utilizadas para identificar "vizinhanças" de usuários similares (MILANI e CAZELLA, 2007), ou seja, usuários que avaliam produtos de forma iguais. Dessa forma, é possível identificar como os usuários semelhantes se comportam e, a partir desse "modelo" de comportamento, gerar ofertas personalizadas a cada um deles (TORRES, 2004 apud MILANI e CAZELLA, 2007). Esta técnica é amplamente utilizada em sites de e-commerce para auxiliar o cliente a localizar produtos, assim como oferecer outros que também sejam do seu interesse. Segundo Milani e Cazella (2007), a utilização de sistemas de recomendação gera uma satisfação a todos os clientes que utilizam esse serviço, pois o cliente sente-se único e reconhecido. Outro fator positivo na utilização de sistemas de recomendação é o fato de que os clientes satisfeitos recomendam a loja ou o sistema para amigos, resultando no aumento de seus clientes e posteriormente o lucro Perfil do Usuário Para identificar o tipo de perfil do usuário existem duas técnicas possíveis: Extração Implícita A criação do perfil do usuário na forma implícita ocorre de uma maneira simples, o usuário deve apenas utilizar o sistema e suas informações são coletadas de uma forma transparente, informações do tipo, histórico de compras, itens procurados, menus navegados entre outras. Depois de coletadas essas informações são armazenas em um banco de dados, para posterior utilização (MILANI e CAZELLA, 2007); Extração Explícita Nesse método é necessário que o próprio usuário informe seus conteúdos de interesse, esses interesses podem ser extraídos através de questionários no momento do cadastro de um site, na 2

3 avaliação de produtos de diferentes áreas, ou de outra maneira que seja possível obter as informações pertinentes para a composição do perfil do usuário. Depois desses dados coletados cria-se o primeiro perfil e o qual pode ser alterado pelo próprio usuário ou através de outras perguntas que o sistema poderá fazer (MILANI e CAZELLA, 2007) Filtragens de Informações A Filtragem de Informações se refere nas preferências, dos usuários. Esta filtragem deve ser aplicada a cada novo item adicionado buscando verificar se este atende ao usuário em questão (REATEGUI e CAZELLA, 2005). A seguir são descritas técnicas de filtragem aplicáveis a sistemas de recomendação. Filtragem Baseada em Conteúdo Alguns softwares têm como objetivo gerar de forma automática descrições dos conteúdos dos itens e, comparar estas descrições com os interesses dos usuários visando verificar se o item é ou não relevante para cada um. Esta técnica é chamada de Filtragem Baseada em Conteúdo por realizar uma seleção baseada na análise de conteúdo dos itens e no perfil do usuário (MILANI e CAZELLA, 2007). A Filtragem Baseada em Conteúdo mede a semelhança de produtos para recomendá-los em vez de utilizar a similaridade entre usuários, leva em consideração produtos ou serviços adquiridos anteriormente e recomenda para o usuário itens que sejam similares a esses (TORRES, 2004 apud MILANI e CAZELLA, 2007). Uma maneira de trabalhar com a está técnica é através de uma solicitação de análise de itens feita ao próprio usuário, onde ele deve avaliar alguns itens indicando se estes são de interesse ou não. Uma vez realizada esta avaliação, o sistema busca itens que "casam" em conteúdo com o que foi classificado como de interesse (REATEGUI e CAZELLA, 2005). Sistemas deste tipo apresentam limitações como: o entendimento do conteúdo do texto pode ser prejudicado devido a uso de sinônimos. Filtragem Colaborativa A Filtragem Colaborativa é uma das técnicas de recomendação mais utilizada, empregando a similaridade entre os usuários para gerar as recomendações (RESNICK et al., 1994). O princípio dessa técnica é fazer com que pessoas tenham condições de ajudar outras no processo de tomadas de decisões, na forma que, pessoas com perfil semelhantes são agrupadas (Vizinhos) e os produtos altamente avaliados são recomendados para o grupo (MILANI e CAZELLA, 2007). Segundo Resnick et al. (1994), um usuário de um sistema de filtragem colaborativa deve pontuar cada item experimentado, indicando o quanto este item casa com sua necessidade de informação. Estas pontuações são coletadas para grupos de pessoas, fazendo com que cada usuário se beneficie das pontuações (experiências) apresentadas por outros usuários na comunidade. A técnica de filtragem colaborativa pode ser separada em três passos (MILANI e CAZELLA, 2007): 1. Calcular o peso de cada usuário em relação à similaridade ao usuário ativo (similaridade). 2. Selecionar um subconjunto de usuários com maiores similaridades (vizinhos) para considerar na predição. 3. Normalizar as avaliações e computar as predições comparando as avaliações dos vizinhos com seus pesos. Esta técnica também é chamada de nearest-neighbor (vizinho mais próximo). No primeiro passo, a definição da similaridade pode ser realizada através de diversas técnicas, sendo mais comumente usada a correlação de Pearson (ALCAZAR, SALAH e VELEZ-LANGS, 2006). A Figura 1 mostra a equação de correlação utilizada. wa,u= ra,i r a ru,i r u σa σu Figura 1 Equação da Correlação de Pearson 3

4 Dado o conjunto de avaliações r a,i do usuário ativo a, e o conjunto de avaliações r u,i do vizinho u, w a,u é o índice de similaridade entre os dois usuários. É preciso mais de uma avaliação em comum para que o índice seja válido, e os resultados variam entre 1 para similaridade total, e -1 para total dissimilaridade (ALCAZAR, SALAH e VELEZ-LANGS, 2006). 2: No passo três, o cálculo da predição é efetuado através da equação de Predição mostrada pela Figura pa,i=r a+ ru,i ru wa,u wa,u Figura 2 Equação de Predição Em Alcazar, Salah e Velez-Langs (2006) explica-se que o valor da predição p a,i do item i para o usuário ativo a é a média ponderada das avaliações dadas ao item i pelos n vizinhos u do usuário ativo a. A quantidade n de melhores vizinhos - com maiores correlações - é uma escolha de cada sistema que utiliza a filtragem colaborativa. Resnick et al. (1994) também destaca que neste tipo de técnica nenhuma informação sobre os itens em si é conhecida, as recomendações são baseadas na semelhança entre os usuários, ou seja, utilizando informações de outras pessoas e trabalhando com a ideia de que se os interesses do usuário X são similares aos interesses do usuário Y, os itens preferidos pelo usuário Y podem ser recomendados ao usuário X. O Quadro1 apresenta na prática como a filtragem colaborativa pode funcionar. Quadro 1 Exemplo de Recomendação Baseada em Filtragem Colaborativa Usuário Prod 1 Prod 2 Prod 3 Prod 4 Prod 5 Paulo X X João X X Márcia X X X Ana X X Mauro X Por exemplo, para recomendar um produto ao usuário Mauro, outros usuários com hábitos de consumo semelhantes serão procurados. No caso acima, Paulo e João já compraram produtos que Mauro também comprou (Prod 2 ). Em seguida, serão recomendados a Mauro produtos que estes dois outros usuários possuem, mas que Mauro ainda não possui como Prod 1 e Prod 5. Algumas das vantagens deste tipo de técnica são: Segundo Milani e Cazella (2007), como as recomendações são baseadas em avaliações de outros usuários é possível tratar diferentes tipos de conteúdo, não somente documentos textuais. A qualidade das recomendações é superior se comparado a sistemas que utilizam filtragem baseada em conteúdo. A justificativa está no fato de sistemas automatizados não serem eficientes em determinar a qualidade de um produto analisando apenas seu conteúdo. A qualidade de um item está implícita na avaliação de outros usuários, sendo possível produzir recomendações de melhor qualidade. Como desvantagens pode-se destacar: - Se um novo item é introduzido no sistema, não será recomendado até que um dos usuários o avalie. O que traz outra consequência: se o número de usuários do sistema é reduzido em relação à quantidade de itens, ocorre um problema de cobertura, ou seja, a coleção de itens que podem ser recomendados será resumida (MILANI e CAZELLA, 2007). - Outro problema em sistemas utilizando esta técnica ocorre quando há um usuário cujas preferências diferem dos demais usuários, conhecidos como ovelhas-negras. Neste caso, não há vizinhos semelhantes ao usuário ativo, ocasionando recomendações que não correspondem às preferências desse usuário. Os algoritmos utilizados em Filtragem Colaborativa partem do princípio de que os usuários classificam os conteúdos através de uma avaliação, na qual são atribuídos valores de acordo com a sua 4

5 relevância. Segundo Milani e Cazella (2007), a avaliação pode ser como implícita ou explícita. Na primeira, o usuário avalia os itens através de uma escala numérica, classificando-os de acordo com a sua relevância, já na segunda, essa avaliação é relacionada com o comportamento do usuário, consultando o histórico ou visitas a outros itens. Os algoritmos assumem que o usuário irá gostar dos itens que usuários com preferências afins também gostem. Conforme as duas classes de algoritmos de filtragem colaborativa são (ALCAZAR, SALAH e VELEZ-LANGS, 2006): Algoritmos baseados em memória: Esses algoritmos são caracterizados por manter uma base de dados de todas as preferências de todos os usuários para todos os itens e, para cada previsão, executa algum processamento em toda a base de dados. Geralmente, um escore entre usuários ativo e outros usuários é calculado e serve como base para cálculo de previsão (ALCAZAR, SALAH e VELEZ-LANGS, 2006). Segundo Torres (2004) apud MILANI e CAZELLA, 2007, esses algoritmos são simples, possuem um bom funcionamento e novos dados são facilmente adicionados, porém podem se tornar computacionalmente caros e ter seu desempenho comprometido com o crescimento da base de dados. Algoritmos baseados em modelos: Esses algoritmos agrupam as preferências do usuário formando um modelo que é usado para realizar as previsões. Este modelo pode ser produzido off-line, e podem gastar várias horas ou dias. Este método baseado em modelo pode ser usado em um ambiente em que as preferências dos usuários sejam pouco modificadas, porém não recomendado para sistemas em que estas preferências sejam atualizadas rapidamente ou frequentemente. 2.2 Trabalhos Relacionados A seguir são apresentados alguns exemplos de sistemas de recomendação acadêmicos e comerciais pesquisados. O SADTur (MARCONDES, 2003) é um protótipo de Sistema Especialista capaz de organizar diversas informações específicas da área de turismo, e auxiliar os seus usuários na definição do planejamento turístico de uma localidade. Em seu desenvolvimento foram utilizadas redes bayesianas, também conhecidas como cadeias de decisão (diagramas de influência). As inferências são representadas por meio de regras do tipo SE [evidência] ENTÃO [hipótese], ou seja, se SE Mangues ENTÃO Ecoturismo. Como desvantagem não é capaz de sintetizar novos conhecimentos e possui dificuldades de lidar com situações inesperadas. Outro exemplo que aborda a aplicação dos algoritmos evolucionários é apresentado em (ALCAZAR, SALAH e VELEZ-LANGS, 2006). Neste trabalho, os autores utilizam algoritmo genético no tratamento tradicional de Sistemas de Recomendação. O trabalho examina as possibilidades de algoritmos genéticos para oferecer características adaptáveis ao aprendizado desses sistemas, a fim de fornecer um mecanismo novo para aumentar a capacidade de aprendizagem desses sistemas, com o objetivo de melhorar a eficácia na hora de encontrar as recomendações e sugestões apropriadas para os usuários. O projeto MovieLens, disponível em é um sistema de recomendação de filmes que se caracteriza como um ambiente baseado em filtragem colaborativa. Segundo Torres (2004) apud MILANI e CAZELLA (2007) o usuário insere pontuações para filmes que tenha visto e o sistema utiliza estas pontuações para encontrar pessoas com gostos similares. Desta forma o sistema pode recomendar filmes nos quais indivíduos com gostos semelhantes se interessariam, mas que não assistiram ainda. 2.3 Algoritmos Genéticos Algoritmos Genéticos são métodos computacionais de busca baseados nos mecanismos da genética e da seleção natural (GOLDBERG, 1989), que imitam a idéia da Teoria da Seleção Natural, proposta por Darwin, na resolução de problemas computacionais que exigem busca, adaptação e otimização. 5

6 Segundo Darwin (1859) a seleção natural tem como princípio privilegiar os indivíduos mais aptos e com maior probabilidade de reprodução em um ambiente. Embasado nesta idéia, os Algoritmos Genéticos atuam sobre uma população de indivíduos, baseados no fato de que indivíduos com boas características genéticas têm maiores chances de sobrevivência e de produzirem indivíduos cada vez mais aptos uma vez que perpetuam seus bons códigos genéticos, enquanto indivíduos menos aptos tendem a desaparecer (CATARINA, 2009). Estes algoritmos começaram a ser estudados por Jonh Holland, onde se deu iniciou uma pesquisa sobre algoritmos que manipulavam strings de 0 e 1, a qual ele chamou de cromossomos. Seus algoritmos realizavam a evolução simulada destas populações de cromossomos, resolvendo de forma eficiente o problema de encontrar bons cromossomos através da manipulação do material contido nos mesmo (CATARINA, 2009). Jonh Holland acreditava que usando a evolução, assim como na natureza, e utilizando adequadamente as características da evolução natural nos algoritmos computacionais, era possível ajudar na solução de problemas (HOLLAND, 1975). Devido ao fato dos Algoritmos Genéticos serem algoritmos de busca inspirada na Teoria da Seleção Natural, o seu processo de evolução é sempre guiado por um mecanismo de seleção baseado em cada iteração do algoritmo, fazendo com que um novo conjunto de indivíduos seja criado através da troca de informações entre os indivíduos mais bem adaptados que foram selecionados na geração anterior (SOBRINHO, 2003). Dessa forma, novos indivíduos são gerados e incluídos na população. Sobrinho (2003) também relata que ao evoluir, a população tende a ter um aumento da adaptação dos indivíduos ao meio, fazendo com que a mesma se aproxime cada vez mais de uma solução ótima, ou seja, convergir o indivíduo mais apto da população Funcionamento de um Algoritmo Genético O funcionamento de um Algoritmo Genético, descrito por Tinós (2007), caracteriza-se em produzir inicialmente uma população de indivíduos aleatoriamente, e em seguida analisar o desempenho destes indivíduos dentro do problema proposto. Para que isso seja possível, uma função de aptidão chamada fitness é aplicada para esses indivíduos a fim de definir quais deles são mais aptos a resolver o problema. Em seguida, os indivíduos menos aptos da população serão descartados e os mais aptos selecionados para reproduzirem-se e assim gerar uma nova população de indivíduos (TINÓS, 2007). Após a seleção, ocorrerão as operações de cruzamento (crossover) e mutação, nas quais os indivíduos poderão trocar partes de seu cromossomo e cada gene pode ter seu valor alterado. Para isto, taxas de cruzamento e de mutação são utilizadas (TINÓS, 2007). Após a reprodução recomeça-se um novo ciclo onde a nova geração será avaliada e novamente reproduzida até que se chegue a uma população final Representação da solução e geração da população inicial A representação da solução é de fundamental importância para um adequado funcionamento dos algoritmos genéticos. O indivíduo é uma representação do espaço de busca do problema e ser resolvido, geralmente na forma de bits ou caracteres (FERREIRA, 2003). A população inicial é gerada de forma aleatória, pois é a mais simples e garante uma maior diversidade das estruturas (TIMÓTEO, 2002). Segundo Timóteo (2002) quando não se define uma quantidade razoável de informações torna a população muito pequena e restringe o nível de variabilidade genética. Porém se a população é muito grande, mais recursos computacionais são necessários e o algoritmo pode apresentar um desempenho de execução abaixo do esperado. Portanto, é necessário um equilíbrio na escolha do número inicial de indivíduos da população (TIMÓTEO, 2002) Operadores Genéticos Os operadores genéticos são responsáveis pela transformação da população através de sucessivas gerações, estendendo a busca até chegar a um resultado satisfatório. Um Algoritmo Genético evolui, em suas sucessivas gerações, frente ao uso de três operadores básicos (SHAPIRO, 1999 apud SOBRINHO e GIRARDI, 2003): Seleção A função deste operador em um Algoritmo Genético é oferecer aos melhores indivíduos da 6

7 população, preferência para se tornarem os pais de novos indivíduos de uma nova geração (SOBRINHO e GIRARDI, 2003). Esta seleção pode ser executada de maneiras diferentes. A mais popular é conhecida como método da roleta, no qual o valor de fitness de um indivíduo dividido pela soma de todos os fitness na população equivale à probabilidade deste indivíduo ser selecionado (TINÓS, 2007). Imagina-se uma roleta onde são colocados todos os indivíduos da população, onde segundo Goldberg (1989) cada indivíduo possui uma fatia da roleta proporcional à sua adaptação, isto é, aos indivíduos com alta aptidão é dada uma porção maior da roleta, enquanto aos de aptidão mais baixa uma porção menor. A roleta é girada um determinado número de vezes, e são escolhidos, como indivíduos que participarão da próxima geração, aqueles sorteados na roleta. Quanto melhores são os indivíduos, mais chances de serem selecionados (TINÓS, 2007). Cruzamento O operador cruzamento é utilizado após o de seleção que se caracteriza pela troca de segmentos entre pares de indivíduos selecionados, com a finalidade de originar novos indivíduos que poderão ser incluídos na próxima geração (SOBRINHO e GIRARDI, 2003). Segundo Sobrinho e Girardi (2003), a idéia principal do cruzamento é a propagação das melhores características dos indivíduos mais aptos da população. As formas mais comuns utilizadas são de um ponto de cruzamento, onde é selecionado um ponto aleatoriamente nos indivíduos e, a partir daí, é efetuada a troca do material genético. Mutação A mutação responsável pela introdução e manutenção da diversidade genética na população. Ela trabalha alterando arbitrariamente, logo após o cruzamento, um ou mais genes de um ou mais indivíduos escolhidos, fornecendo dessa forma meios para a introdução de novos elementos na população (SOBRINHO e GIRARDI, 2003). Como essa alteração é aleatória, não é possível garantir que a mesma seja boa. Em caso positivo, permanecerá nas próximas gerações, caso contrário, será eliminada pela seleção Parâmetros Genéticos Segundo Sobrinho e Girardi (2003), alguns parâmetros influenciam o comportamento dos Algoritmos Genéticos. A seguir, são listados alguns parâmetros genéticos utilizados freqüentemente: Tamanho da população Uma população pequena, o desempenho pode cair, pois a população fornece uma pequena cobertura do espaço de busca do problema. Uma grande população geralmente fornece uma cobertura representativa do domínio do problema, além de prevenir convergências. No entanto, para se trabalhar com grandes populações, são necessários maiores recursos computacionais (SOBRINHO e GIRARDI, 2003). Taxa de Cruzamento Quanto maior for esta taxa, mais rapidamente novas estruturas serão introduzidas na população. Mas se esta for muito alta, a maior parte da população será substituída, e pode ocorrer perda de estruturas de alta aptidão. Com um valor baixo, o algoritmo pode tornar-se muito lento (SOBRINHO e GIRARDI, 2003). Tipos de Cruzamento O tipo de cruzamento a ser utilizado determina a forma como se procederá a troca de genes de informação entre os pares de indivíduos selecionados para o cruzamento. O ideal é testar diversos tipos de cruzamento em conjunto com as outras configurações do Algoritmo Genético para verificar qual apresenta um melhor resultado (CHEIN-SHUNG HWANG, 2010). Taxa de Mutação A taxa de mutação determina a probabilidade em que uma mutação ocorrerá. Uma taxa baixa de mutação previne que uma posição fique estagnada em um valor. Com uma taxa muito alta a busca se torna essencialmente aleatória além de aumentar muito a possibilidade de que uma boa solução seja destruída (SOBRINHO e GIRARDI, 2003). A melhor taxa de mutação é dependente da aplicação, mas, para a maioria 7

8 dos casos está entre 0,001 e 0,1 (BÄCK, 1996 apud SOBRINHO e GIRARDI, 2003). 3 PROJETO E METODOLOGIA Este trabalho apresenta o a implementação de Algoritmos Genéticos em um sistema de recomendações. A aplicação dessa técnica da Inteligência Artificial, baseada na evolução e seleção natural dos indivíduos, é empregada em um sistema de recomendação de pacotes de viagens com a finalidade de analisar seu comportamento e sua eficácia na resolução do problema dentro deste contexto proposto. Algoritmos Genéticos é uma técnica muito utilizada nos dias atuais, que podem ser aplicada nos mais diversos tipos de sistemas computacionais para a resolução de problemas que necessitam basicamente de buscas e otimizações (KO, S. J., & LEE, J. H, 2001). Foi pensado nisso que a aplicação desta técnica nesses tipos de sistemas pode se tornar uma possível solução na melhora dessa busca a fim de encontrar a recomendação ideal. 3.1 Funcionamento O processo de funcionamento foi dividido basicamente em quatro partes: 1) Aquisição do Conhecimento 2) Extração do perfil do usuário 3) Busca baseada na Filtragem Colaborativa a) Consulta a base de dados b) Processamento c) Retorno dos indivíduos mais compatíveis 4) Aplicação do Algoritmo Genético a) Indivíduo e População b) Fluxo do algoritmo c) Função de fitness d) Retorno da Recomendação O sistema monta o perfil do usuário de forma explícita, a partir de um questionário que é disponibilizado para que o mesmo responda. O usuário então, responde essas questões atribuindo conceitos a cada característica relacionada ao seu perfil. Esses conceitos são mensurados por pesos, a fim de obter-se uma variância entre ótimo, regular e ruim, possibilitando, dessa forma, mensurar o nível de importância que o usuário tem por suas opções dentro de um pacote turístico. A forma de avaliação e os conceitos serão detalhados nas seções a seguir. O perfil do usuário é construído em um vetor linear onde cada posição contém o peso de cada uma das características respondidas no questionário. Esse vetor é dividido em dois grupos, cada um contém em seus respectivos genes: A) O grupo das características pessoais. B) O grupo das características de preferências. A figura 3 apresenta essas características modeladas no vetor. Figura 3 Características do Usuário O sistema funciona por um processo de recomendação baseado em características dos perfis de usuários já existentes a partir de uma base de dados. Quando solicitada a recomendação, o algoritmo responsável por essa etapa faz a busca nessa base de dados a fim de encontrar indivíduos semelhantes ao usuário ativo, tendo por parâmetros a similaridade do grupo das características pessoais dos itens presentes 8

9 em seus perfis. Uma vez que esses indivíduos são recuperados, outro grupo de características presentes no perfil do usuário é utilizado, são as características referentes às suas preferências. A partir deste momento, o algoritmo genético presente no sistema começa a atuar. Após o sistema selecionar na base de dados os usuários semelhantes ao ativo, esses genes referentes às características quanto as suas preferências por pacotes turísticos, são utilizados para gerarem os indivíduos da primeira população do Algoritmo Genético. Dessa forma, a população terá um número de cromossomos geneticamente forte. O restante dos indivíduos será formado aleatoriamente, possibilitando a diversificação populacional do Algoritmo Genético. Reproduzindo indivíduos e gerando novas populações, o Algoritmo Genético submeterá a um teste de aptidão esse grupo de características presentes nos cromossomos objetivando buscar o modelo de pacote turístico ideal para o usuário ativo. O Algoritmo Genético será responsável por evoluir uma população finita de indivíduos - que serão os pacotes turísticos até encontrar o indivíduo que possui as melhores características que caibam no perfil do usuário ativo em questão. Essa população será evoluída fazendo com que esses indivíduos troquem informações entre seus genes, através de cruzamentos e mutações, até o momento em que o fitness ideal seja atingido. Isto é, o fluxo de evolução do algoritmo somente irá terminar quando o melhor indivíduo da população for encontrado. Esse indivíduo será retornado no formato de um pacote turístico que estará previamente cadastrado na base de dados. 3.2 Aquisição do Conhecimento Para que fosse possível o desenvolvimento deste estudo, se fez necessário consultar uma pessoa especialista na área de Turismo para a aquisição do conhecimento para que fosse possível a implementação real do protótipo. A aquisição de conhecimento foi adquirida junto com uma profissional que atua na área de domínio deste trabalho possuindo experiência suficiente para fornecer informações confiáveis. Com a obtenção dos conhecimentos necessários, chegou-se a conclusão dos seguintes parâmetros para o desenvolvimento do protótipo: Os atributos preferenciais do usuário: são as principais características que o usuário procura no momento de escolher um pacote turístico. Dentro do sistema, esses atributos foram modelados com a finalidade de permitir ao usuário atribuir pesos conforme as suas preferências: litoral, campo, montanha, Eventos culturais e teatrais, festividades noturnas, e o clima inverno e verão. Características pessoais dos usuários: as características pessoais básicas necessárias para se saber a respeito do usuário são: sexo, idade ou faixa de idade e o tipo de viagem. No protótipo, essas características, tratadas como pessoais, foram modeladas a fim de servirem como base de comparação no momento da busca baseada na Filtragem Colaborativa. Limiar de similaridade: o percentual mínimo indicado para recomendar o pacote turístico para um usuário é de 80%. Neste trabalho, este valor é importante pelo fato de estar diretamente ligado ao cálculo de fitness do Algoritmo Genético. Para fins de testes, este valor será manipulável na interface do protótipo. É importante lembrar que esse limiar varia de acordo com o domínio que o algoritmo for aplicado. 3.3 Extração do Perfil do Usuário A criação do perfil do usuário se dá através da coleta de forma explícita. Para tanto, é solicitado que o usuário preencha um questionário no momento em que o mesmo fazer uso do sistema pela primeira vez. A coleta de informações é feita por duas categorias de perguntas: uma de cunho pessoal, (idade, sexo, viaja sozinho ou acompanhado, etc.) que são tratadas como dados pessoais ; e outro conjunto de perguntas em nível de interesses que o usuário busca (se prefere atrações turísticas mais esportivas, ou mais culturais, se prefere praia, campo, etc.) que são tratadas como dados de interesses. Essas duas categorias de perguntas compõem o perfil do usuário, que o sistema trata como um vetor 9

10 de posições, onde cada posição refere-se a uma característica com os pesos que o usuário respondeu no momento do questionário. A Figura 4 mostra essas características dividias no perfil do usuário modelado no formato de vetor. Figura 4 Características do Usuário O usuário responde atribuindo pesos a estas questões, que por sua vez são as características que pertencem ao seu perfil. Esses pesos são mensurados por valores que vão de 1 (um) a 4 (quatro), a fim de obter-se uma variabilidade entre o conceito bom e ruim considerado pelo usuário. Essa escala de mensuração pode ser visualizada no Quadro 2, que mostra os conceitos que o sistema usa de base para considerar os pesos dados pelo usuário. Quadro 2 Pesos e Conceito de avaliação Nota Conceito 1 Não gosto (ruim) 2 Gosto pouco (regular) 3 Gosto (bom) 4 Gosto muito (ótimo) Após as perguntas serem respondidas, os dados são submetidos e armazenados na base de dados do sistema, dessa forma então são criados os perfis dos usuários. 3.4 Busca baseada na Filtragem Colaborativa A Filtragem Colaborativa do sistema consiste basicamente em: consulta ao banco de dados, processamento e o retorno dos usuários mais parecidos ao usuário ativo. Esta fase é aplicada para buscar na base de dados os usuários cadastrados mais parecidos com o usuário ativo. Essa etapa de filtragem é caracterizada por um processo de identificação de similaridade pelos genes referentes ao grupo dos dados pessoais presentes no perfil do usuário Consulta a base de dados O sucesso de um sistema de recomendação depende bastante da eficácia do algoritmo que se encarrega a encontrar os mais semelhantes conjuntos de perfis caracteristicamente parecidos para o usuário ativo (ALCAZAR, SALAH e VELEZ-LANGS, 2006). Por este motivo, é muito importante que um algoritmo que tenha essa função utilize um determinado método que capture apenas os melhores perfis ou os perfis mais próximos. A fim de selecionar os melhores perfis possíveis, o método ideal seria utilizar todos os perfis da base de dados que apresentam semelhança. No entanto, isso nem sempre é a opção mais viável, principalmente se essa base for muito grande e possuírem-se poucos recursos computacionais. Como resultado em nível didático, neste trabalho, foi predefinido um número máximo de indivíduos que possuem o maior grau de semelhança ao usuário ativo. Primeiramente, quando o algoritmo de filtragem for iniciado, o perfil do usuário ativo será carregado com suas características em um vetor linear. Uma busca é feita na base de dados, procurando os usuários que possuem as mesmas características pessoais do usuário ativo características essas referentes aos dados pessoais, que serão: idade, sexo, viajar sozinho ou acompanhado Processamento de similaridade O processamento da similaridade para encontrar os usuários mais parecidos ao que está ativo, é feito pelo critério de semelhança dos dados pessoais contidos no vetor de perfil do usuário. Para que o perfil do 10

11 usuário cadastrado seja considerado semelhante ao ativo, segundo a especialista da área, é necessário o mesmo ter 80% das características pessoais iguais. Sendo que esse valor só vale para este domínio do turismo aplicado. Na Figura 5 está representado o perfil do usuário em forma de um vetor, e pode-se visualizar a parte do elemento que é usado para se achar a similaridade nessa fase de comparação Retorno dos usuários mais compatíveis Figura 5 Características pessoais do vetor usuário Uma vez aplicado o processo de similaridade entre o perfil do usuário ativo com os perfis guardados no banco, o sistema tem como retorno desse processo, os perfis com as características pessoais iguais ou mais próximas ao usuário ativo. Essa etapa é importante para que o Algoritmo Genético seja aplicado de forma que os genes dos usuários conhecidos ajudem na recomendação ideal. É a partir desse momento que a o Algoritmo Genético começa a atuar no sistema. Até a etapa de filtragem para buscar os usuários semelhantes, trabalhou-se apenas com o conjunto referente às características pessoais do perfil do usuário. A partir desse ponto, o conjunto das preferências presentes nos perfis, tem grande importância para a aplicação da técnica. As características de preferências contidas nos genes dos perfis dos usuários retornados pela busca servem como base para a criação dos indivíduos da primeira população do Algoritmo Genético. 3.5 Aplicação do Algoritmo Genético Esta é a etapa que o estudo traz como o foco principal. Nesse momento, quando já se possui os usuários mais similares ao ativo e, baseado nas características desses, o sistema inicia a busca da melhor recomendação que se enquadre ao usuário ativo. Os genes referentes às preferências de pacotes turísticos dos usuários semelhantes ao ativo, retornados na fase anterior, servem pra gerar a primeira população do Algoritmo Genético. Se esse retorno for um número pequeno de indivíduos, o restante é gerado de maneira aleatória, completando a população inicial. Dessa forma a população já começa com um número de indivíduos geneticamente próximo ao que o usuário precisa Indivíduo e população Uma vez conhecendo as preferências que o usuário ativo possui por um pacote turístico, tem-se então a missão de buscar a melhor solução que caiba dentro dessas características. O individuo usado pelo Algoritmo Genético é um vetor linear onde cada um de seus genes contém os pesos das características que um pacote turístico possui, para que se consiga chegar a um modelo de pacote turístico ideal baseado nas preferências inicialmente respondidas pelo usuário. O individuo usado pelo Algoritmo Genético é um vetor linear onde cada posição desse vetor representa os fenótipos contendo os pesos das características que um pacote turístico possui, para que se consiga chegar a um modelo de pacote turístico ideal baseado nas preferências inicialmente respondidas pelo usuário. O conjunto dessas características chama-se genótipo. Uma população de indivíduos é então criada, a fim de evoluir e convergir ao indivíduo (pacote turístico) que melhor se adapte as evoluções da população. A figura 6 mostra o indivíduo criado pelo Algoritmo Genético com cada gene sendo uma característica representada por um peso. Características essas que se relacionam com as do usuário. 11

12 3.5.2 Fluxo do algoritmo Figura 6 Indivíduo da população do AG O algoritmo funciona de forma corresponde à aplicação de um conjunto de operações básicas: inicialização, cálculo de aptidão, seleção, cruzamento e mutação, sendo este o fluxo de iteração básico de qualquer Algoritmo Genético. A Figura 7 mostra o fluxograma que o Algoritmo Genético funciona. Inicialização Figura 7 Fluxograma de funcionamento do AG Uma população de n indivíduos, contendo as características dos usuários já conhecidos, são utilizados e o restante dos indivíduos são gerados aleatoriamente. Cada um dos cromossomos da população representa uma possível solução para o problema. Cálculo de Aptidão A aptidão do indivíduo é determinada através do cálculo da função de fitness, que será vista mais adiante. Neste trabalho, essa aptidão se da pela similaridade do pacote turístico para com as preferências contidas no perfil usuário. Seleção Nesta fase os indivíduos mais aptos da geração atual são selecionados. Esses indivíduos são utilizados para gerar uma nova população por cruzamento. Cada indivíduo tem uma probabilidade de ser selecionado proporcional à sua aptidão. Para selecionar esses indivíduos mais aptos, é utilizado o método da roleta. Cruzamento Os cromossomos de cada par de indivíduos que são cruzados são divididos em um ponto, chamado ponto de corte, sorteado aleatoriamente. Um novo cromossomo é gerado permutando-se a metade inicial de um cromossomo coma metade final do outro. 12

13 Mutação A operação de mutação é utilizada para garantir uma maior varredura do espaço de estados e evitar que o Algoritmo Genético convirja muito cedo. A mutação é efetuada alterando-se o valor de um gene de um indivíduo sorteado aleatoriamente, ou seja, vários indivíduos da nova população podem ter um de seus genes alterado aleatoriamente Função fitness As características, tanto do perfil do usuário, quanto dos pacotes turísticos são mensuradas de 1(um) a 4(quatro), com a diferença que nos pacotes turísticos elas já estão pré-definidas no momentos do cadastro. Os dados são comparados através da diferença entre os dois valores e depois é gerada uma média entre todos os valores para saber o grau de similaridade entre o usuário e o pacote turístico. Para que fique mais claro seu funcionamento o Quadro 3 apresenta um modelo. Quadro 3 Comparação entre Preferência e Usuário e o Pacote Turístico Atributos Pacote Turístico Perfil do Usuário Esporte Gastronomia Festividades Peso: 2 Peso: 3 Peso: 4 Peso: 3 Peso: 2 Peso: 4 O Quadro 3 mostra como as informações são armazenadas no banco de dados para o usuário do sistema, elas estão mensuradas no formato de pesos do mesmo modo que anteriormente foi apresentado no Quadro 2 para o perfil do usuário, apenas com conceito de avaliação diferente, como mostra abaixo o Quadro 4. Quadro 4 Pesos e Conceito de avaliação para os Pacotes Nota Conceito 1 Não Presente 2 Mais ou menos 3 Bastante Presente 4 Muito Presente Para calcular os valores de diferença apresentados no quadro 3 se terá base no seguinte cálculo: Esporte: (2 3) = -1 Gastronomia: (3-2) = 1; Festividades: (4-4) = 0. Todos os valores devem ser utilizados na forma positiva. Para que a recomendação seja feita ao usuário, o cálculo deve ser maior que 80%, que é o limiar mínimo proposto pela especialista. Se alguma das características não estiver presente no pacote turístico, será levado em consideração pelo fato do usuário querer e o pacote não oferecer. Nesse caso, o indivíduo, então, sofrerá uma penalidade na pontuação no seu fitness, mas ele não será descartado, isto é, se ainda possuir o fitness mínimo para recomendação, ele será selecionado. Depois das diferenças encontradas os valores são transformados em percentual, seguindo a escala apresentada abaixo pela Tabela 1. 13

14 Tabela 1 Percentuais Correspondentes Diferença Percentual 0 100% 1 80% 2 50% 3 30% O cálculo final será feito através da fórmula padrão para se calcular a média aritmética. Considerando-se os dados do quadro 3, um exemplo seria: 80% (relativo a esportes), 80% (relativo à gastronomia) 100% (relativo a festividades): Resultando num total de: (80% + 80% + 100%) 3 = Similaridade de 86,6% (Se o pacote não oferecesse todas algumas das preferências do usuário, esse indivíduo sofreria uma penalidade, diminuindo esse valor em 10, ficando com 76,6% de similaridade) Retorno da Recomendação Após a identificação do modelo ideal de pacote turístico ao usuário, o sistema vai até a base de dados buscar o pacote turístico, previamente cadastrado com seus respectivos pesos, e retorná-los na tela para o usuário. Esta etapa é a parte final do sistema, após essa etapa o Algoritmo Genético encerra sua etapa de processamento dentro do sistema. A apresentação retorna todas as recomendações que atingem o limiar mínimo de similaridade que é de 80%, indicado como ideal pela especialista. 4 DESENVOLVIMENTO DO PROTÓTIPO Uma vez que o escopo principal deste estudo não é o desenvolvimento de um sistema baseado nas qualidades ditadas pela engenharia de software abrangendo e focando em todos os requisitos padrões no processo de criação de uma aplicação, foi desenvolvido um protótipo de sistema para a visualização da ideia concebida, isto é, uma ferramenta de recomendações que aplique a técnica dos Algoritmos Genéticos, cujo objetivo maior foi o de analisar o comportamento e a eficácia que o algoritmo pode vir a ter quando aplicado nesses tipos de sistemas. Para implementação do protótipo fez-se uso da linguagem de programação Java, combinada à API do Swing para compor a interface gráfica, ou seja, a parte visual do protótipo. Para a criação da base de dados local, que armazena fisicamente os perfis dos usuários e os modelos de pacotes turísticos a serem recomendados, foi utilizado o Java DB Derby, que é um servidor de banco de dados com escrito inteiramente em Java, e dá suporte total a SQL, JDBC API. A interface gráfica do protótipo é composta por um conjunto de algumas telas, dentre elas a de login e cadastro do perfil do usuário. A primeira foi criada para permitir o acesso do usuário no sistema por meio do nome de login e senha previamente cadastrada na base de dados, e a segunda para a criação e mapeamento do perfil dos usuários no momento da recomendação. 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. Esses requisitos foram divididos em dois grupos, o grupo dos Dados Pessoais e os Dados Preferenciais, como explicados na seção de metodologia deste artigo. Para a definição desses requisitos, foi feito um estudo baseado nos artigos e trabalhos anteriormente produzidos e que são apresentados como referencias no final deste artigo. Esses requisitos, por sua vez, 14

15 foram trabalhados e adaptados especificamente para o funcionamento do Algoritmo Genético que atua neste protótipo, possuindo assim importância fundamental e específica para a criação dos perfis que serão montados, utilizados e armazenados na base de dados. Na tela de recomendação, que possui foco principal neste estudo, é o módulo que ocorre todo o trabalho de processamento do Algoritmo Genético existente no protótipo. Nesta são apresentados os resultados dos perfis mais compatíveis ao usuário ativo. Possui também campos de entradas de valores a fim de testar os parâmetros genéticos característicos de análises do Algoritmo Genético, isto é, testar o comportamento do Algoritmo Genético quanto ao tamanho da população, quanto aos números dos pais e iterações, e a taxa de mutação e dos bits mutantes. Esses campos que serviram de parâmetros para os testes de análise do funcionamento do Algoritmo Genético foram os seguintes: Tamanho da População de Indivíduos: Determina o número máximo de indivíduos que serão criados. Um número de indivíduos tem origem dos perfis já existentes no banco, se o número de indivíduos retornados da base de dados for menor que o valor de entrada, os indivíduos faltantes são criados de forma aleatória a fim de completar o número de indivíduos no campo de entrada. Número de Iterações: Determina o número de vezes que a rotina de evolução da população será realizada enquanto não houver resultado. Número de Pais: Determina o número de indivíduos que sofrerão crossover, isto é, o número de pais que serão cruzados e gerarão novos descendentes para a população. Taxas de Mutação: Determina o percentual de indivíduos, das novas gerações, que sofrerão mutações. Uma baixa taxa de mutação previne que uma dada posição fique estagnada em um valor, Com uma taxa muito alta a busca se torna essencialmente aleatória. Número de Bits Mutantes: determina a quantidade de fenótipos dos indivíduos que sofrerão mutação. Esses campos foram projetados para auxiliar nos testes de validação final do Algoritmo Genético, esses parâmetros foram fundamentais para testar, analisar e chegar às devidas conclusões que o projeto necessita para que sua validação possa ser de fato concretizada. Nesta tela também se encontra uma aba que apresenta os dados pessoais do usuário ativo no sistema. Foi pensado nessa possibilidade para que, além de permitir que o usuário visualize seus dados na base de dados, a comparação dos perfis que o algoritmo tomar por semelhantes e retornados, foram comparados individualmente no momento dos testes a fim de possuir uma confiança maior na validade do algoritmo. A figura 8 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. 15

16 Figura 8 Tela de Solicitação de Recomendação A figura 9 mostra uma recomendação gerada. A descrição do pacote turístico, acompanhada pelos pesos de suas características. Figura 9 Retorno da Recomendação 16

17 5 VALIDAÇÃO E RESULTADOS Para a validação do sistema e viabilidade dos testes, a base de dados foi alimentada com perfis de 143 pessoas diferentes, que já viajaram para algum destino utilizando pacote turístico pelo menos uma vez. Relativo a essa quantidade de cadastros, o número de pessoas pertencentes ao sexo feminino foram 87 (60,80%) e pertencentes ao sexo masculino foram de 56 (39,20%). Esses cadastros foram de pessoas com as seguintes classificações etárias: 86 pessoas (60,10%) = 18 a 25; 33 pessoas (23,10%) = 26 a 35; 24 pessoas (16,80%) = mais de 35 anos. Esses dados referentes a sexo e idade dos usuários são relevantes pelo fato de servirem de parâmetros de similaridade para acharem-se os indivíduos com perfis mais semelhantes. Uma vez a base de dados iniciada com um número de registros suficiente para conseguir-se fazer os testes desejados no protótipo, o seguinte passo foi à inicialização dos mesmos para achar os valores ideais nos parâmetros genéticos do algoritmo. Para tanto, foi criado um perfil exclusivo para essa etapa dos testes. Da mesma forma padrão que são criados os outros perfis, porém esse usuário foi utilizado apenas para a análise do funcionamento de recomendação do sistema. O método utilizado para a seleção dos pais mais aptos para o crossover foi o método da roleta, isso ajudou nas gerações futuras da população, capturando apenas os pais com os maiores fitness para gerarem descendentes. Bem como a substituição dos indivíduos, que foram feitas substituindo os novos cromossomos pelos piores da população. A função de fitness calculou a aptidão dos indivíduos classificando-os da seguinte forma: analisou o limiar de similaridade dos indivíduos e separou-os entre bons e ruins. Se houvesse indivíduo bom, ele convergia, caso contrário, ele selecionava os melhores pais capturando os que estavam posicionados no topo da lista para o cruzamento. Pois já estavam organizados de forma ordenada quanto a seus fitness. Com os testes foi constatado que quanto maior a taxa de mutação da população e maior o número de genes mutantes nos indivíduos, mais tempo levava-se para o algoritmo convergir alguma solução. Com isso, aumentou-se o número da população para o mínimo de 1200 indivíduos, e diminui-se a taxa de mutação da população para 5%. O número de genes mutantes nos fenótipos desses indivíduos foram ajustados para 2 e esses genes sofrem mutações de forma aleatória. Testes foram realizados com a população de até 3000 indivíduos, mas o comportamento de retorno não diferiu muito apenas acarretou na demora de processamento. O crossover utilizado foi o corte do tipo one-point, isto é, cada casal de pais geram o primeiro filho unindo os 5 primeiros fenótipos do pai com os 5 primeiros fenótipos da mãe, e o segundo filho com os 5 últimos fenótipos do pai e os 5 últimos da mãe. Para introduzir esses novos indivíduos na população, foi feito a substituição nos últimos indivíduos do vetor, ou seja, os piores indivíduos. Quanto ao limiar de similaridade mínimo, usou-se o valor de 80% recomendado pelo especialista. Os indivíduos que não possuíssem as características que o usuário gostaria, não foram descartados, apenas sofreram uma penalidade, baixando seu valor de fitness. Mas se ainda assim ele continuasse com o limiar igual ou acima do permitido, ele seria selecionado e recomendado. Após definidos os valores dos parâmetros genéticos que iriam ser colocados no algoritmo, foi disponibilizados a cinco usuários para que testassem e avaliassem o funcionamento do protótipo. Todos os usuários possuem curso superior, três deles são formados na área de comunicação e dois deles na área de informática, e todos já viajaram utilizando pacote turístico pelo menos uma vez. A experiência junto ao usuário foi bastante positiva. Os mesmos satisfizeram-se e concordaram com as recomendações geradas pelo sistema. O que aconteceu foi certo desconforto para com a interface, cuja reclamação foi por não estar totalmente amigável e intuitiva, porém o foco deste estudo não foi essa parte do desenvolvimento. 17

18 6 CONSIDERAÇÕES FINAIS Com este estudo, pode-se constatar na prática que esta técnica inteligente tem muito a ser explorada dentro desses sistemas. Na maior parte das literaturas, trabalhos e artigos científicos pesquisados para o desenvolvimento deste estudo, percebeu-se que em sistemas de recomendação a aplicação de técnicas diferentes das que geralmente são aplicadas, são muito pouco utilizadas. Os Algoritmos Genéticos, por exemplo, possuem pouca utilização para a resolução de problemas dentro desses sistemas. Com este estudo foi possível constatar que é possível utilizar esta técnica com bastante segurança e confiabilidade. A montagem de um protótipo foi apenas para estudar a técnica e trabalhar com a ideia dentro do universo proposto, porém a solução dos Algoritmos Genéticos é capaz de ser aplicada em diversos outros ambientes de sistema, e das mais diversas formas. Na aplicação dos testes foi constatado que, quanto maior variedade de cadastros dos sexos femininos e masculinos dentro da base de dados, assim como das faixas etárias será melhor para a filtragem que acontece antes do algoritmo. Isso se explica pelo fato de que o sistema se baseia na filtragem colaborativa para buscar no banco os indivíduos que possuem as características de sexo e faixa etária iguais ao usuário ativo do sistema. Os resultados dos testes técnicos em cima do algoritmo foram bastante regulares, o algoritmo se comportou dentro do esperado. Os parâmetros genéticos que trabalham junto ao algoritmo, foram descobertos após alguns testes e ajustes na quantidade de bits que sofriam mutações nos fenótipos dos indivíduos. Os pesos contidos nos cromossomos necessitou-se usar números inteiros de 1 a 4, diferente dos bits 0 e 1 que geralmente são utilizados nesta técnica, confirmando essa possibilidade de mudança. O cálculo da função de fitness convergiu indivíduos aptos a partir das cinco primeiras gerações. Isso se dá ao fato da utilização do método roleta para a seleção dos pais mais para crossover, juntamente com o número de bits e taxa de mutação baixa. A contribuição desse trabalho é também permitir a futuros estudos a possibilidades de aprimoramentos, melhorias e até mesmo mudanças na forma de abordagem e aplicação desta técnica dentro do contexto apresentado, como por exemplo, a aplicação do Algoritmo Genético para descobrir não só o pacote turístico ideal, mas também os pesos das preferências que o usuário tem em um pacote turístico, definindo limites máximos e mínimos para esses atributos e limiares, equivalentes como se encontra no Knapsack problem (problema da mochila), também utilizado Algoritmos Genéticos em sua resolução. Como trabalhos futuros relacionados a este sistema, o desenvolvimento de uma versão que funcione online, e em dispositivos móveis. Bem como o estudo do desenvolvimento de uma interface gráfica mais intuitiva e funcional visando na comodidade dos usuários. É importante ressaltar que essas conclusões relativas às validações e testes, só valem para esse domínio estudado. Uma vez mudado o domínio da aplicação, os valores dos parâmetros genéticos devem ser revistos. Pois o fato de necessitar-se de outros requisitos e remodelagem de problema dentro do domínio, pode acontecer do algoritmo necessitar de mudanças para chegar-se ao comportamento desejado do mesmo. Por fim conclui-se que a aplicação do Algoritmo Genético no sistema de recomendação dentro do domínio proposto foi bastante satisfatória, como mostraram as validações e conclusões. Tendo em vista que os Algoritmos Genéticos podem ser exponencialmente explorados e adaptados aos mais diversos tipos de situações, muitos outros tipos de trabalhos e aplicações podem surgir contribuindo ainda mais com novas descobertas para essa área, que ainda é bastante desafiadora para o mundo virtual. REFERÊNCIAS ALCAZAR, Julio; SALAH, Jorge; VELEZ-LANGS, Osvaldo Learning User s Characteristics in Collaborative Filtering Through Genetic Algorithms Dpto de Arquitectura y Tecnologia de Comp. E Inteligencia Artificial Universida Rey Juan Carlos, Mostelos Espanha BÄCK, T. - Evolutionary Algorithms in Theory and Practice: Evolution Strategies, Evolutionary Programming, Genetic Algorithms - New York:Oxford University Press, CATARINA, Adair S., SAHGA Um Algoritmo Genético Híbrido com Representação Explícita de 18

19 Relacionamentos Espaciais para Análise de Dados Geoespaciais, Instituto Nacional de Pesquisas Espaciais (INPE) - São José dos Campos p. CHEIN-SHUNG HWANG (2010), Genetic Algorithms for Feature Weighting in Multi-criteria Recommender Systems, JCIT: Journal of Convergence Information Technology, Dept. of Information Management Chinese Culture University Taipei, Taiwan. FERREIRA, L.P. (2003). TDSGEN Uma Ferramenta de Geração de Dados de Teste Baseada em Algoritmos Genéticos - (Dissertação de Mestrado). UFPR. Curitiba/Paraná. GOLDBERG, D. E. (1989) - Genetic Algorithms in Search, Optimization, and Machine Learning - Addson Wesley Pub. Ko, S. J., & Lee, J. H. (2001). Discovery of user preference through genetic algorithm and Bayesian categorization for recommendation. Conceptual Modeling for New Information Systems Technologies, ER 2001 Workshops, HUMACS, DASWIS, ECOMO, and DAMA. Revised Papers (Lecture Notes in Computer Science Vol.2465). Berlin, Germany: Springer-Verlag,. xvii+500, MARCONDES, Jorge. SADTUR Sistema Especialista De Apoio À Decisão Em Inventário E Diagnóstico Turístico. Universidade Federal de Santa Catarina MILANI, Fabio e CAZELLA, Silvio César - Um modelo para determinar a autoridade de usuários em Sistemas de Recomendação - Universidade do Vale do Rio dos Sinos (Unisinos), REATEGUI, Elisio Berni e CAZELLA, Sílvio Cézar. Sistemas de Recomendação. In: XXV Congresso da Sociedade Brasileira de Computação, São Leopoldo, RESNICK, P. et al. GroupLens: an open architecture for collaborative filtering of netnews. - In: ACM CONFERENCE ON COMPUTER-SUPPORTED COOPERATIVE WORK. Proceedings... [s.l.: s.n.], SHAFFER, J. B. et al. (2001) - E-Commerce Recommendation applications. Data Mining and Knowledge Discovery, Kluwer Academic Publishers, Hingham, MA, USA, Vol. 5. Issue 5. SHAPIRO, J. - Genetic Algorithms in Machine Learning, taught at the Advanced Summer School on Machine Learning and Applications, SOBRINHO, Antonio Carlos - Uma análise dos algoritmos genéticos e suas aplicações em sistemas de acesso à informação - Monografia de conclusão de curso, CGCC, Universidade Federal do Maranhão, SOBRINHO, Antonio Carlos e GIRARDI, Rosário. Uma Análise das Aplicações dos Algoritmos Genéticos em Sistemas de Acesso À Informação Personalizada. REIC. Revista Eletrônica de Iniciação Científica, v. III n. IV TIMÓTEO, G. T. S. (2002) - Desenvolvimento de um algoritmo genético para a resolução de timetabling - 76 f. Monografia (Ciência da Computação) Departamento de Ciência da Computação, Universidade Federal de Lavras, Lavras. TINÓS, Renato - Comportamento auto-organizável em algoritmos genéticos aplicados a robôs móveis em ambientes dinâmicos - SBA. Sociedade Brasileira de Automática, v. 18, p TORRES, Roberto. (2004) - Personalização na Internet: Como Descobrir os Hábitos de Consumo de Seus Clientes, Fidelizá-los e Aumentar o Lucro de Seu Negócio - 1ª ed. São Paulo, Brasil. Novatec Editora. 19