A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Um Ambiente para Mineração de Utilização Web José Roberto de Freitas Boullosa.

Apresentações semelhantes


Apresentação em tema: "Um Ambiente para Mineração de Utilização Web José Roberto de Freitas Boullosa."— Transcrição da apresentação:

1 Um Ambiente para Mineração de Utilização Web José Roberto de Freitas Boullosa

2 Introdução Apresentação Motivação Estrutura do trabalho –Mineração de dados –Mineração de utilização da Web –Ambiente proposto –Conclusões

3 Mineração de dados (data mining) x Descoberta do conhecimento (knowledge discovery) Piatestky-Shapiro: Workshop in Knowledge Discovery in Databases Detroit 1989

4 Mineração de dados Estilos de mineração de dados –Descoberta de conhecimento Bottom-up Indução –Testes de hipóteses Top-down Dedução

5 Mineração de dados Descoberta de conhecimento ( Fayyad et al. ) 1.Definição dos domínios 2.Criação do conjunto de dados, seleção de fontes 3.Pré-processamento 4.Transformação dos dados 5.MINERAÇÃO DE DADOS –Técnicas e algoritmos 6.Análise e interpretação dos resultados

6 Mineração de dados Modelos para mineração de dados –Preditivos –Classificação –Agrupamento –Séries temporais

7 Mineração de dados Métodos de mineração de dados –Geração de regras de associação Banco de dados de transações Market-basket analysis –Análise de seqüências Teoria dos grafos Padrões seqüenciais

8 Mineração de dados Métodos de mineração de dados –Classificação Conhecimento apriorístico sobre classes Perfis de itens com atributos em comum –Agrupamento (clustering) Sem conhecimento prévio sobre classes Dados similares Métricas para distância Clusters

9 Mineração de dados Métodos de mineração de dados –Árvores de Decisão Indução de regras CART (Classification and Regression Tree) CHAID (chi-squared automatic induction) Algoritmos principais: ID3, C4.5

10 Mineração de dados Métodos de mineração de dados –MBR (Memory-based reasoning) –Predição de novos itens a partir de itens já conhecidos –Redes neurais –Modelos simuladores das conexões neuronais –Dificuldades: sensibilidade, entendimento dos modelos gerados –GA - Algoritmos genéticos –Mecanismos da genética e seleção natural Seleção, cross-over, mutação –Gerações sucessivas de soluções –Soluções sobreviventes

11 Mineração de dados Data Warehousing –Conjunto de dados integrados, não-voláteis, orientados por assunto e variáveis no tempo, utilizados primordialmente como ponto de apoio a decisões gerenciais. (INMON)

12 Mineração de dados Data Warehousing –Modelo multidimensional Vantagens em relação ao MER Cubo –Fatos –n Dimensões Atributos Hierarquias Operações de manipulação –Slice & dice, roll-up, drill-down Esquemas –Estrela (Star schema) –Flocos de neve (snow flakes)

13 Mineração de dados OLAP On-line Analytical Processing x On-line Transaction Processing –Cubos –Categorias MOLAP (OLAP Multidimensional) ROLAP (OLAP Relacional) HOLAP (OLAP Híbrido)

14 Mineração de dados da Web Aplicação das técnicas de mineração de dados para a extração de dados da Web Termos úteis Visita / acesso (page view) Clickstream Sessão de usuário Episódio URL (Universal Resource Locator) esquema://host:porta/path/querystring URI (Universal Resource Identifier) Referidor (referrer) Cookie Programas CGI (Common Gateway Interface)

15 Mineração de dados da Web Modelos de navegação –WWW (World Wide Web) Ecologia de Informações dinâmica (Catledge & Pitkow) –Sistema hipermídia aberto –Colaborativo –Altamente dinâmico

16 Mineração de dados da Web Modelos de navegação –WWW Estratégias de utilização –Busca Orientação quanto ao objetivo –Navegação Similaridade entre itens –Navegação serendípica (serendipitious browsing) Aleatoriedade

17 Mineração de dados da Web Modelos de navegação –Etapas da busca de informações na Web (Levene & Loizou) 1.Especificação da consulta 2.Recuperação da informação 3.Navegação 4.Modificação da consulta Nielsen (1990): Perdido no hiperespaço (lost in hyperspace)

18 Mineração de dados da Web Modelos de navegação –Objetivos no projeto de um site Busca x Navegação Análise dos padrões de navegação –Mineração de utilização

19 Mineração de dados da Web Modelos de navegação –Revisitação de páginas Taxa de recorrência R –Probabilidade de que uma página já tenha sido acessada na mesma sessão –Tauscher & Greenberg : R = 61%, D.P. 9% Navegação Web: Sistema recorrente

20 Mineração de dados da Web Modelos de navegação –Razões para revisitação Páginas mudam Explorar com mais detalhes Páginas especiais (busca, etc.) Edição de páginas Páginas são caminho de navegação –Razões para acessar novas páginas Mudanças nas necessidades de informações Exploração de novos sites Recomendação de amigos Encontrar nova página interessante ao navegar

21 Mineração de dados da Web Modelos de navegação –Padrões de navegação (Tauscher & Greenberg) Visitas iniciais a grupo de páginas Revisitas a páginas Visitas a páginas em edição Visitas a páginas criadas por aplicações Hub-and-spoke Navegação dirigida Navegação de profundidade

22 Mineração de dados da Web Modelos de navegação –Modelos estocásticos (Borges, Levene, Loizou) Estrutura do site: grafo direcionado Nós = páginas Arestas = links entre páginas Conjunto de trilhas do grafo: Visão Web Cada página representa um estado Cada link tem uma probabilidade associada –Freqüência de utilização do link –Peso relativo dos links para os usuários Cadeia de Markov

23 Mineração de dados da Web Modelos de navegação –Modelos estocásticos (Huberman et al.) Comportamento do usuário –Maximizar utilidade ou valor das páginas –Reduzir custo ou esforço de navegação Lei de Zipf (Levene e Borges) –P = Probabilidade de trilha de comprimento t ser percorrida P = t –3/2 –Usuários preferem trilhas curtas –Número de trilhas curtas exponencialmente maior que o de trilhas longas –Razão = Valor agregado / esforço despendido Maior para as trilhas curtas

24 Mineração de dados da Web TipoCarac. FísicasCarac. Uso CabeçalhoLinks de entrada partem de várias páginas Raiz do site Início das sessões ConteúdoMuitos textos e gráficos em relação a links Tempo médio de visita longo NavegaçãoPoucos textos e gráficos em relação a links Tempo médio de visitação curto Não é Ref.P.Máxima Look-upPoucos links de entrada Poucos links de saída Conteúdo reduzido Tempo médio de visitação curto É Ref.P.Máxima PessoalSem características comunsBaixa freqüência de visitação

25 Mineração de dados da Web Modelos de navegação –Classificação das páginas Manual –Uma-a-uma –Meta-dados HTML, XML (RDF) Automática –Algoritmos

26 Mineração de dados da Web Tipos de mineração de dados da Web –Zaïane Mineração de conteúdo (Web content mining) Mineração de estrutura (Web structure mining) Mineração de utilização (Web usage mining) –Cooley et al. Mineração de conteúdo (Web content mining) Mineração de utilização (Web usage mining)

27 Mineração de dados da Web Problemas da mineração de dados da Web –Necessidade de filtragem dos dados –Integração das fontes de dados –Identificação de usuários –Identificação de sessões –Identificação de transações

28 Mineração de dados da Web Mineração de conteúdo da Web –Agentes (Cooley) Agentes de busca inteligente –Domínios e perfis –ParaSite, ShopBot… –Crawlers, spiders, robots… Personalizados e baseados em filtragem/categorização –Preferências dos usuários, perfis –WebWatcher, Letizia… –Relacionam-se também com a mineração de utilização

29 Mineração de dados da Web Mineração de conteúdo da Web –Abordagens baseadas em bancos de dados Estruturar a Web –Meta-dados –Multicamadas Mecanismos de consulta UnQL, W3QL…

30 Mineração de utilização da Web Objetivos de um site –Acesso às páginas importantes –Exibição de links relevantes –Evitar desorientação

31 Mineração de utilização da Web A estrutura do site reflete: –Comportamento esperado dos visitantes –Expectativas do projetista quanto ao comportamento O site deveria refletir TAMBÉM: –Comportamento real dos visitantes

32 Mineração de utilização da Web Solução: –Analisar os padrões de utilização do site Fontes: –Logs dos servidores Web –Estruturas dos sites (Pirolli) –Logs gerados por agentes e outros programas –Mineração de utilização da Web Chen et al. (1996) Mannila & Toivonen (1996) Yan et al. (1996)

33 Mineração de utilização da Web Aspectos complementares: –Analisar sistematicamente o comportamento dos usuários –Servir como apoio para a tomada de decisões sobre o que deve ser modificado no site

34 Mineração de utilização da Web Classificação (Cooley) –Descoberta de padrões gerais Tendências de uso genéricas –Descoberta de padrões customizados Tendências de uso de determinado visitante Adaptação do site ao visitante –Sites adaptativos: Perkowitz & Etzione, Maedche

35 Mineração de utilização da Web Aplicações das informações obtidas –Utilização em campanhas promocionais –Análise de estratégias de marketing –Reestruturação e adaptação automática do site –Gerenciamento mais efetivo das comunicações de um grupo de trabalho e da infraestrutura organizacional –Distribuição de propaganda para usuários específicos –Venda de espaços de publicidade

36 Mineração de utilização da Web Produtos comerciais –Webtrends, NetTracker, NetGenesis –Analog –Análises estatísticas –Estrutura proprietárias –Deficientes em relação a análises mais profundas

37 Mineração de utilização da Web Tipos de ferramentas para mineração de utilização (Cooley) –Descoberta de padrões WebMiner, Joshi & Krishnapuram, … –Análise de padrões WebViz, WebLogMiner… –* Mistas WebMiner, WebSift

38 Mineração de utilização da Web Etapas da mineração de dados (Cooley et al.) –Preparação de dados –Descoberta de padrões –Análise e visualização de padrões

39 Mineração de utilização da Web Preparação de dados –Fontes de dados Logs de servidores Web Agentes autônomos Outras interfaces Páginas dinâmicas, scripts, programas CGI

40 Mineração de utilização da Web Preparação de dados –Logs de servidores Web Itens irrelevantes Ausência de identificação de usuários e sessões Falta do registro de muitos acessos –Páginas em cache

41 Mineração de utilização da Web Preparação de dados: etapas –Filtragem dos dados –Identificação dos usuários –Identificação das sessões –Identificação das transações

42 Mineração de utilização da Web Filtragem de dados –Formatos de logs Common Log Format Extended Log Format –Arquivos indesejados

43 Mineração de utilização da Web Identificação de usuários –Cache (local e de servidor) Cache busting –Proxy servers Cookies Registro explícito –Privacidade Heurísticas de identificação –Mudanças nas entradas do log –Tempo entre acessos –Topologia do site

44 Mineração de utilização da Web Identificação de sessões –Uso de time-out de controle Entre acessos Para a duração total da sessão –Preenchimento de vazios da sessão Uso da topologia do site Tempo médio de acesso

45 Mineração de utilização da Web Identificação de transações –Transação: unidade semântica –Tipos Transações de navegação –Caminhos comuns até uma página Transações de conteúdo –Relacionamentos entre páginas de conteúdo –Implicações Regra A->B analisada a partir de transações de diferentes tipos

46 Mineração de utilização da Web Identificação de transações –Abordagens Divisão em transações menores Agrupamento em transações maiores –Seqüência de passos Primeiro passo : divisão

47 Mineração de utilização da Web Identificação de transações –L : Conjunto de entradas de log –l.ip : IP do cliente –l.uid : Identificador do usuário –l.URL : URL da página acessada –I.tempo : momento do acesso t = onde, para 1 k m: l tk L, l tk.ip=ip t, l tk.uid=uid t

48 Mineração de utilização da Web Identificação de transações –Métodos Duração da referência –Divisão das transações Referências posteriores máximas (Chen et al.) –Divisão das transações Janelas de tempo –Não utiliza o modelo de páginas de conteúdo e navegação –Agrupamento ou divisão das transações

49 Mineração de utilização da Web Identificação de transações –Método de referências posteriores máximas Referências reversas (backward references) Referências posteriores (forward references) Maximal forward references Algoritmo MF (maximal forward) –Seqüências longas de referências –Algoritmo FS (full-scan) –Algoritmo SS (selective-scan)

50 Mineração de utilização da Web Identificação de transações –Análise dos métodos Duração de referência –Encontra regras que os outros não encontram Referências posteriores –Ruim para achar transações de conteúdo em sites com alto grau de conectividade –Muitas transações de navegação Janelas de tempo –Pode ser usado juntamente com os outros métodos

51 Mineração de utilização da Web Descoberta de padrões –Análises estatísticas Caráter geral Hits por página Páginas mais acessadas Páginas mais usadas como partida ou saída Tempo médio por página Comum nos pacotes comerciais

52 Mineração de utilização da Web Descoberta de padrões –Análise dos caminhos percorridos Grafos direcionados –Nós Páginas –Arestas Links Similaridades entre páginas Número de usuários que percorreram o link Caminhos mais freqüentes Seqüências longas de referências

53 Mineração de utilização da Web Descoberta de padrões –Regras de associação Aplicadas a BDs de transações, onde cada transação é um conjunto de itens –Item = página acessada –Transação = conjunto de páginas acessadas

54 Mineração de utilização da Web Descoberta de padrões –Regras de associação A B Na Web, A pode ser: –Página individual –Seqüência não ordenada de páginas –Seqüência ordenada de páginas

55 Mineração de utilização da Web Descoberta de padrões –Regras de associação Confiança –Percentual entre as transações que contêm todos os itens de uma regra e as transações que contêm os antecedentes da regra Suporte –Percentual das transações que contêm o padrão

56 Mineração de utilização da Web Descoberta de padrões –Padrões seqüenciais Percentual de usuários que acessaram X e depois Y num determinado intervalo Intervalos em que certas páginas foram mais acessadas Características em comum dos visitantes de uma página num determinado período

57 Mineração de utilização da Web Descoberta de padrões –Padrões seqüenciais Mineradores convencionais procuram os padrões mais freqüentes Muitas vezes, são buscados padrões raros, mas interessantes –Zaki et al.: remoção das seqüências não interessantes –Spiliopoulou et al.: WUM

58 Mineração de utilização da Web Descoberta de padrões –Classificação e agrupamento Reunião de páginas semelhantes Detecção de seqüências semelhantes –Comparação com perfis de usuários Informações demográficas Su et al.: RDBC (Recursive density based clustering) –Agrupamento de páginas com base na freqüência de sua utilização, não no conteúdo

59 Mineração de utilização da Web Descoberta de padrões –Cooley et al. Filtro de sites –Diminuição do tempo de processamento –Redução do número de regras inúteis –Diminuição das medidas de suporte e confiança –Maior número de padrões úteis Ignorar regras triviais –Ex.: regra que apenas confirme um link direto entre as páginas

60 Mineração de utilização da Web Análise dos padrões –Ferramentas Programas estatísticos Gráficos Linguagens de consulta –Kato et al. Ferramenta de análise de padrões Relevância entre páginas e conectividade dos links Co-ocorrência de acessos entre páginas diferentes Mostra ao administrador as páginas que não são úteis

61 Mineração de utilização da Web Análise dos padrões –WebViz (Pitkow & Bharat) Web paths Visualização de trechos dos grafos –Webminer Linguagem de consulta –Linguagem MINT (WUM) Especificação de critérios de consulta –Conteúdo –Estatística –Estrutura –Interestingness

62 Mineração de utilização da Web Análise dos padrões –Data warehousing e OLAP Zaïane –OLAP Kimball –Data webhousing

63 Mineração de utilização da Web Trabalhos relacionados –Webminer (Mobasher, Cooley et al) Arquitetura genérica de mineração de utilização Definição das fases da mineração Linguagem de consulta

64 Mineração de utilização da Web Trabalhos relacionados –WebSIFT (Web Site Information Filter) Hipóteses –É possível inferir, a partir do ECLF, as páginas não registradas no log –Tipo de utilização de uma página pode ser inferido a partir do tempo gasto na mesma –Dados do ECLF são suficientes para identificar com precisáo as sessões

65 Mineração de utilização da Web Trabalhos relacionados –Mannilla & Toivonen (1996) Logs dão visão exata da utilização –Yan et al. (1996) Agrupamento de usuários Links mostrados de acordo com as páginas mais visitadas pelo grupo do usuário –Amir et al. Agregação dos dados em seqüências de itens Combinam seqüências com prefixos iguais

66 Mineração de utilização da Web Trabalhos relacionados –SiteHelper (1997) Recomenda páginas a partir da análise do log –PageGather (Perkowitz & Etzione, 1998) Agrupamento de páginas visitadas juntas Não leva em conta o caminho que conduz à página Propuseram sites adptativos

67 Mineração de utilização da Web Trabalhos relacionados –WebLogMiner - Zaïane et al, 1998 Técnicas de OLAP e mineração de dados Ferramenta DBMINER (IBM) Arquitetura com 4 etapas –Pré-processamento –Construção de cubo –Técnicas OLAP no cubo –Mineração de dados

68 Mineração de utilização da Web Trabalhos relacionados –FootPrints (Wexelblat & Maes, 1999) Caminhos freqüentes são armazenados para serem usados por futuros visitantes –Schechter et al. (1998) Path profiles Geração dinâmica do conteúdo acessado Ignoram problemas causados pelo cache

69 Mineração de utilização da Web Trabalhos relacionados –WUM (Spiliopoulou, 1999) Mineração de seqüências eficiente Transações agrupadas em trilhas Tráfego = quantidade de transações que acessaram uma trilha Árvore agregada de trilhas (log agregado) –Prefixos iguais –Suporte: quantidade de usuários que chegaram ao nó –Redução do espaço de armazenamento Consultas em MINT –Descritores, máscaras –Padrão de navegação – generalização da árvore

70 Mineração de utilização da Web Trabalhos relacionados –Gaul et al. (2000) Ao invés de seqüências generalizadas a partir de descritores, encontram TODAS as subseqüências –Borges & Levene (1998) Modelos estocásticos HPG – hypertext probabilistic grammar –Gramática regular –Símbolos não-terminais – páginas –Regras de produção – links –Cálculo da entropia Alta – elevado grau de incerteza da navegação Baixa – alto conhecimento sobre o comportamento do usuário

71 Mineração de utilização da Web Trabalhos relacionados –Larsen et al. (2000) Visão estocástica Algoritmo GGM (generalizable gaussian mixture) –Generalização dos padrões de navegação para se obter aprendizado supervisionado a partir de um modelo de distribuição gaussiano –Segmentação do comportamento dos usuários –Segmentação das páginas

72 Mineração de utilização da Web Trabalhos relacionados –Joshi & Krishnapuram (2000) Agrupamento fuzzy para a identificação de sessões Algoritmos: FCMdd, FCTMdd) –Tveit (2000) Programação lógica indutiva – PROGOL Regras de primeira ordem que representam as sessões Melhoria da qualidade e desempenho do site

73 Mineração de utilização da Web Trabalhos relacionados –Andersen et al. (2000) Projeto comercial em empresa dinamarquesa Análise de eficácia de banners Killer sessions Data warehousing –Fatos: subsessões

74 Mineração de utilização da Web Trabalhos relacionados –Nanopoulos & Manolopoulos (2001) Busca de conjuntos de seqüências, como em Gaul Consideram a estrutura do site –Anderson et al. (2001) Sistemas de personalização –Proteus, MinPath Dispositivos móveis, PDAs, celulares, pagers

75 Mineração de utilização da Web Trabalhos relacionados –Nanopoulos & Manolopoulos (2001) Busca de conjuntos de seqüências, como em Gaul Consideram a estrutura do site –Anderson et al. (2001) Sistemas de personalização –Proteus, MinPath Dispositivos móveis, PDAs, celulares, pagers

76 Mineração de utilização da Web Trabalhos relacionados –XML LOGML (Punin et al., 2001) –Site como um grafo Web –XGMML

77 Mineração de utilização da Web Segurança e privacidade –Registro das ações dos usuários enquanto estes navegam –Necessidades de informação x direito à privacidade –UE : Directive on Data Protection –Processos contra empresas on-line –Normas auto-impostas pelas empresas Limites para a coleta de dados Pedido de autorização dos usuários

78 MineraWeb Dificuldades dos sistemas existentes –Proprietários –Fechados –Pouco espaço para configuração, ampliação –Limitados a um determinado experimento ou análise

79 MineraWeb Proposta Ambiente modularizável, aberto e expansível Aberto a novos métodos de leitura, filtragem, pré-processamento Dados em um SGBD relacional Qualquer linguagem de programação Algoritmos modificáveis e configuráveis Agregação de ferramentas de terceiros Apoio à construção de sites adaptativos

80 MineraWeb Mineraweb –Administrador de sites Definir dados a serem analisados Fazer análises Utilizar análises para projetar, incrementar o site –Pesquisador de mineração de utilização Desenvolver novos métodos de mineração e análise Testar e comparar métodos existentes

81 MineraWeb

82 MineraWeb Fases da mineração 1.Integração e preparação de dados 2.Descoberta de padrões 3.Análise dos padrões 4.Aplicação dos padrões

83 MineraWeb 1. Integração e preparação de dados –Logs de servidores Web –Agentes –Filtragem –Transformação –Armazenamento em SGBDR –Identificação de usuários –Identificação de sessões –Identificação de transações

84 MineraWeb 2. Descoberta de padrões –Algoritmos de busca –MineraWebCenter –Ferramentas de terceiros 3. Análise de padrões –MineraWebCenter –Ferramentas de terceiros 4. Aplicação dos padrões –Adaptação de páginas e sites

85 MineraWeb MineraData –Base de dados –Espinha dorsal do ambiente –Integração de fontes de dados –Modelo lógico ERWIn 3.52 –Modelo físico do protótipo SQL Server 2000 * Oracle 8i

86 MineraWeb

87 MineraWeb

88 MineraWeb MineraWebCenter –Módulo principal –Borland C++ Builder 4 –Configuração do ambiente –Carga, pré-processamento dos dados –Geração de arquivos customizados e dados de teste

89 MineraWeb MineraWebCenter –Carga dos dados Formatos dos logs –Filtragem Regras de filtragem IN (GET, POST) NOT IN (GIF, JPG, BMP )

90 MineraWeb MineraWebCenter –Campos lidos IP Cliente, Usuario Servidor, IP Servidor, Porta Método URI, URI Query Status protocolo, Status SO Bytes enviados e recebidos Duração acesso Versão protocolo Host Agente, cookie Referido

91 MineraWeb MineraWebCenter –Stored procedures INSERE_ENTRADA EXTRAI_ENTRADA

92 MineraWeb MineraWebCenter –Identificação de sessões Janelas de tempo – default de 25 min Stored procedure –IDENTIFICA_SESSOES_TEMPO –Identificação de transações Transações de conteúdo Limite de tempo Stored procedure –IDENTIFICA_TRANSACOES_TEMPO

93 MineraWeb MineraWebCenter –Classificação de páginas Tipos de páginas –Navegação –Conteúdo –Tempos médios de referência Classificação manual Classificação automática –Stored procedure CLASSIFICA_PAGINAS

94 MineraWeb MineraWebCenter –Busca de padrões Regras de associação Parâmetros –Suporte –Confiança Stored Procedure –IDENTIFICA_REGRAS_1

95 MineraWeb MineraWebCenter –Análise de padrões Ferramentas de terceiros Cubos OLAP –MS Analysis Services –VISITAS Domínios Clientes Páginas

96 MineraWeb MineraCrawler –Extração da estrutura de um site –Delphi 5 –Nível de profundidade –Breadth-first

97 MineraWeb

98 MineraWeb

99 MineraWeb MineraRedirect –Delphi 5 –Biblioteca HTTP –Agente de apoio à navegação –Enquadramento das páginas –Redirecionamento dos links –Cadastro de perfis do usuário –Log das ações Tipos de páginas registradas

100 MineraWeb MineraRedirect –Implementação ISAPI CGI MS IIS (Information Services) Windows 2000 Testes do redirecionamento

101 MineraWeb MineraRedirect –Dificuldades Frames dentro de frames –Scripts Páginas já redirecionadas

102 MineraWeb

103 MineraWeb Adaptação de páginas –Banco de dados –Páginas ASP –Páginas reservas –Navegação serendípica

104 MineraWeb Conclusões –Definição de ambiente Administrador de sites Pesquisador em mineração Integração de várias propostas –SGBD –Técnicas de visualização –Crawler –Incorporação de novas características –Adaptação de páginas

105 MineraWeb Conclusões –Direcionamentos Filtragem Descoberta de padrões Eficiência dos métodos Logs distribuídos XML E-commerce : Killer domain


Carregar ppt "Um Ambiente para Mineração de Utilização Web José Roberto de Freitas Boullosa."

Apresentações semelhantes


Anúncios Google