Avaliação da predição e da classificação de quadrigramas a partir de métodos de aprendizado de máquina

Abstract

Resumo: A atividade turística, no Brasil, pode ser beneficiada pela incorporação de recursos de Inteligência Artificial (IA), que possibilitem uma melhor compreensão das experiências vivenciadas pelos turistas, conferindo, assim, um maior entendimento sobre seus desejos e percepções. Neste sentido, com base nos comentários publicados na plataforma de viagens TripAdvisor, este trabalho tem como propósitos avaliar o desempenho dos métodos de aprendizado de máquinas RNA, SVM, Bi-LSTM e Naïve Bayes, na predição de quadrigramas através de seus modelos, previamente implementados, e avaliar novos modelos gerados para a classificação de uma base de quadrigramas ampliada. Neste trabalho, definiu-se como predição a eficiência dos modelos aplicados em novos quadrigramas e, como classificação, a eficiência dos modelos durante o treinamento e testes. O desempenho dos modelos foi avaliado com as métricas de Acurácia, Precisão, Recall e F1-score, onde, a melhor avaliação nas predições foi obtida pelo método SVM e, nas classificações, foi obtida pelo método Naïve Bayes. Assim, este trabalho contribui com a atividade turística através da geração de um modelo mais eficiente para predições e classificações de experiências em novos atrativos turísticos

Abstract: The tourism activity in Brazil can be enhanced by the incorporation of Artificial Intelligence (AI) resources, enabling a better understanding of the experiences lived by tourists and providing a deeper insight into their desires and perceptions. In this regard, based on the comments published on the TripAdvisor travel platform, this study aims to evaluate the performance of machine learning methods, namely RNA, SVM, Bi-LSTM, and Naïve Bayes, in predicting quadrigrams through their pre-implemented models. Additionally, it seeks to assess newly generated models for the classification of an expanded quadrigram dataset. In this work, was defined the prediction as the efficiency of the models applied to new quadrigrams and, as for classification, the efficiency of the models during training and testing. The performance of the models was evaluated using metrics such as Accuracy, Precision, Recall, and F1-score. The SVM method achieved the best evaluation in predictions, while Naïve Bayes outperformed in classifications. Therefore, this study contributes to the tourism activity by generating a more efficient model for predictions and classifications of experiences in new tourist attractions