，Cl性別屬性的β^系數(shù)和c3吸引力屬性的β3系數(shù)）是正數(shù)。如果杰西卡更喜 歡男性角色而不是女性角色，性別屬性的βi系數(shù)會是負數(shù)。這些系數(shù)可被稱為消費者的偏 好系數(shù)，而且它們關(guān)聯(lián)著角色模型的所有或者一些值。偏好系數(shù)可以是整數(shù)或者實數(shù)。負 面偏好（例如，對于屬性是不喜歡的）也可并入偏好函數(shù)。本領域普通技術(shù)人員將理解的 是，系數(shù)具有參數(shù)類型，而且對于其他函數(shù)形式更一般的參數(shù)可采用來取代系數(shù)。
[0070] 在另一示例中，喬治作為另一個作為開電視的人，僅僅對角色的科學家維感興趣。 喬治喜歡科學家而不管他們的其它屬性。喬治的角色偏好函數(shù)顯然比杰西卡的角色偏好函 數(shù)簡單地多，因為喬治僅僅關(guān)心一個維度一科學家維。因此，所有其它維的系數(shù)或權(quán)值為〇。 喬治的角色偏好函數(shù)被簡化為：
[0071] f(george) =β2 ·c2
[0072] 其中β2大于0。杰西卡的和喬治的偏好在他們的角色偏好函數(shù)中被捕獲。這些 角色偏好函數(shù)可被用來推薦角色以及確定角色之間的距離，其中推薦和距離對于與角色偏 好函數(shù)關(guān)聯(lián)的消費者都是個別地加以考慮的。
[0073] 如上所述，系統(tǒng)可基于角色偏好函數(shù)來推薦角色。采用杰西卡的角色偏好函數(shù)和 圖1所示的角色模型，系統(tǒng)將把潘妮106和伯納黛特112的等級定地很高。該系統(tǒng)將推薦潘 妮106和伯納黛特112給杰西卡，因為根據(jù)潘妮的角色模型120、伯納黛特的角色模型126 和杰西卡的角色偏好函數(shù)的組合，潘妮106和伯納黛特112的等級被定地很高?？衫孟?費者的角色偏好函數(shù)來計算被推薦為等級的推薦值： Ν·>
[0074] -β-c
[0075] 其中β表示消費者沿n屬性的偏好系數(shù)，而且c表示角色沿相同n屬性的的屬性， 例如來自角色模型?？舍槍Σ煌巧啻斡嬎阍摻巧煤瘮?shù)以針對特定消費者確定之間 的距離。
[0076] 根據(jù)喬治的角色偏好函數(shù)和圖1所示的角色模型，系統(tǒng)將都是科學家的所有角色 進行同等定級并且將他們推薦給喬治。類似的等式可被用來針對喬治計算推薦值。
[0077] 除了捕獲了消費者喜歡或不喜歡什么的信息，角色偏好函數(shù)還可表示不同或附加 信息。例如，杰西卡的角色偏好函數(shù)可表示杰西卡喜歡什么、杰西卡過去看過什么類型的角 色或內(nèi)容、杰西卡對什么類型的角色或內(nèi)容提供過反饋、反饋是正面的還是負面的、以及這 些元素中的一個或多個的組合等。
[0078] 系統(tǒng)還可通過使用角色偏好函數(shù)以及角色模型的組合來確定角色之間的距離。例 如，根據(jù)上述杰西卡的角色偏好函數(shù)以及圖1所示的角色模型，系統(tǒng)將會把潘妮和伯納黛 特識別為具有相對低的距離，因為潘妮和伯納黛特具有相同性別（女性）和吸引力（很有 吸引力）。回想性別和吸引力是杰西卡的角色偏好函數(shù)中關(guān)聯(lián)的兩個維度。如果性別和吸 引力是與杰西卡的角色偏好函數(shù)有關(guān)的唯一的一些維度，潘妮和伯納黛特之間的距離為0。 類似地，系統(tǒng)將確定霍華德和潘妮具有相對大的距離，因為霍華德和潘妮在性別和吸引力 方面都不同。具體地，霍華德不具有吸引力而且是男性，而潘妮很具有吸引力而且是女性。 再次，回想杰西卡的角色偏好函數(shù)強調(diào)了性別和吸引力維。因此，霍華德和潘妮可被系統(tǒng)看 作是相對于杰西卡的角色偏好函數(shù)是相反的，因為霍華德和潘妮在性別和吸引力方面都不 同。
[0079] 角色偏好函數(shù)的第二階項
[0080] 在一些情況下，可使用第二階或更高項來計算基于角色模型和角色偏好函數(shù)的角 色之間的距離。例如，消費者可能喜歡男性科學家但是可能不喜歡女性科學家。類似地，消 費者可能喜歡很有吸引力的女性以及很有吸引力的科學家。為了在這些組合之間做出區(qū) 分，第二階或更高偏好需要被捕獲在角色偏好函數(shù)中。對于第二階項，注意，例如，針對很有 吸引力的女性角色（第二階）的偏好不同于針對很有吸引力的角色（第一階）和女性角色 (第一階）的偏好。
[0081] 在一個示例中，名叫布賴恩的消費者喜歡女性科學家角色（第二階）一級很有吸 引力的角色（第一階）以及友好的角色（第一階）。注意，針對女性科學家的偏好不同于針 對女性角色以及作為科學家的角色的偏好。布賴恩的角色偏好為：
[0082] f(c) =β! ·Cj+β2·C2+β3 ·C3+β4*C4+T1,2*C1*C2+T3,4 *C3 ?C4
[0083] 其中βpβ2,β3,β4,γu，γ3,4> 0。正系數(shù)γu，γ3,4捕獲的第二階項提供了 針對布賴恩的偏好的對于角色推薦和角色之間的距離的更精確的度量。為了清楚表示，利 用注釋將布賴恩的角色偏好描述為如下：
[0084] f(c) =β! · 〇! [gender] +β2 ·c2 [scientist] +β3 ·c3[attractiveness] +β4
[0085] ·c4[friendliness] +γh2 ·〇! [gender] ·c2[scientist] +γ3,4
[0086] ·c3[attractiveness] ·c4[friendliness]
[0087] 偏好的第二階被捕獲在布賴恩的角色偏好函數(shù)中以提供針對布賴恩的偏好的對 于角色推薦和角色之間的距離的更精確的度量。
[0088] 具體地，布賴恩的角色偏好函數(shù)顯示布賴恩喜歡女性科學家。采用權(quán)值#的矢量 以及針對第二階項γ的權(quán)值的矩陣將其存儲在布賴恩的角色偏好函數(shù)中。因此，在采用布 賴恩的角色偏好函數(shù)計算推薦和距離時，系統(tǒng)可考慮布賴恩的第二階偏好。在關(guān)于布賴恩 的角色偏好函數(shù)的這個示例中，第一角色Α和第二角色Β之間的距離d被確定為如下：
[0089]
[0090] 本領域技術(shù)人員將很容易理解的是，其它技術(shù)可被用來表示角色偏好函數(shù)。
[0091] 偏好模型
[0092] 可采用來自多個角色偏好函數(shù)的數(shù)據(jù)并結(jié)合與角色偏好函數(shù)關(guān)聯(lián)的用戶的相關(guān) 已知屬性來開發(fā)偏好模型。用戶的數(shù)據(jù)庫被匯集，將用戶與一個或多個屬性以及它們的角 色偏好函數(shù)關(guān)聯(lián)起來。采用該數(shù)據(jù)庫，可針對個人或一群人來確定偏好模型。
[0093] 例如，假設75%的用戶是女性而且具有科學、技術(shù)、工程或數(shù)學（STEM)領域的文 憑，而且她們具有表示她們喜歡觀看媒體中的女性科學家的用戶配置文件。這強烈地表示 具有STEM領域的文憑的其它女性也會喜歡觀看媒體中的女性科學家。因此，當提供她們的 性別為女性而且具有與STEM相關(guān)的教育背景的新用戶加入系統(tǒng)，系統(tǒng)可預測新用戶將會 喜歡觀看女性科學家，而無需要求直接來自新用戶的關(guān)于她的觀看偏好的反饋。由此，系統(tǒng) 可采用上述技術(shù)利用新用戶喜歡女性科學家的預測來推薦媒體。
[0094] 類似地，多個角色偏好函數(shù)可被用來預測特定人口統(tǒng)計會喜歡什么特征。例如，如 果正在進行群體觀看（例如在電影院），關(guān)于組員的屬性的統(tǒng)計可被預先采集。與群體的屬 性有關(guān)的統(tǒng)計可被用來識別該群體很可能喜歡的角色的類型。采用上述技術(shù)，可以識別出 該群組很可能喜歡的媒體。偏好模型還可擴展涵蓋媒體至任意類型的角色。
[0095] 涵蓋依賴于人口統(tǒng)計信息，可按照大量不同方式來計算用戶專用偏好函數(shù)：1)直 接引導：詢問用戶他們對特定角色、角色屬性或?qū)傩越M合的偏好。2)從喜愛的角色和節(jié)目 進行推斷。例如，給定用戶喜歡的一組角色以及用戶不喜歡的一組角色，通過假設用戶"喜 歡"角色的可能性是用戶的角色偏好函數(shù)的S型函數(shù)（例如，^可以估計出偏好 權(quán)值。通過找出使得用戶喜歡以及不喜歡這些角色組的聯(lián)合概率最大的系數(shù)β，γ，系統(tǒng)能 計算出用戶的角色偏好函數(shù)。3)根據(jù)生理記錄進行推斷：在沒有消費者直接報告關(guān)于他們 的角色偏好的情況下，視線追蹤、面部反應、姿態(tài)映射或者任意數(shù)量的其它類型的生理記錄 可被用來檢測哪個角色要求消費者的最多注意力，以及該注意力是正面的還是負面的。給 定對角色的這些生理反應，可遵循與針對2)描述的方法類似的方法來推斷偏好模型。偏好 模型還可擴展涵蓋媒體至任意類型的角色。
[0096] 內(nèi)容推薦
[0097] 關(guān)于角色的信息可被用來確定評級以及媒體內(nèi)容的推薦，而且用來確定媒體內(nèi)容 之間的距離。例如，喜歡很有吸引力的科學家的消費者很可能會喜歡采用多個作為很有吸 引力的科學家的角色的節(jié)目。相同消費者很可能會不喜歡主要采用作為沒有吸引力的非科 學家的角色的節(jié)目。
[0098] 可采用針對媒體內(nèi)容中的所有或者一些角色的消費者的偏好的突顯性加權(quán)求和 來對媒體內(nèi)容進行評估?？赏ㄟ^多種方式來確定媒體內(nèi)容中的角色的相對突顯性。
[0099] 確定突顯性的一種方法是使得突顯性基于角色獲得的在屏時間相對于所有角色 的總在屏時間的百分比。簡單舉例來說，考慮包括醫(yī)生、工程師和代理人作為角色的喜劇節(jié) 目。醫(yī)生的總在屏時間為1100秒，工程師的總在屏時間為1500秒，而且代理人的總在屏時 間為僅僅600秒。采用該第一方法，角色（Char)相對于所有角色（AllChars)的突顯性S 可被計算為：
[0100]
[0101] 在醫(yī)生、工程師和代理人的特定示例中，針對每個角色的突顯性被計算如下：
[0102]
[0103]
[0104]
[0105] 確定突顯性的另一種方法是使得突顯性基于在社交媒體中針對角色檢測到的互 動數(shù)量。例如，Twitter、Facebook、Google+、Instagram以及其它社交聯(lián)網(wǎng)網(wǎng)站可被監(jiān)控來 追蹤角色的名字唄提及的次數(shù)、角色的圖像被公開的次數(shù)、角色的引用被確認的次數(shù)（例 如，F(xiàn)acebook上喜歡角色的粉絲專頁）等。采用該方法，媒體內(nèi)容中的一個角色引發(fā)互動 的次數(shù)相對于媒體內(nèi)容中的所有角色引發(fā)互動的次數(shù)的對比來確定角色的相對突顯性。例 如，該計算可如下執(zhí)行：
[0106]
[0107] 確定突顯性的另一種方法是考慮角色在互聯(lián)網(wǎng)上總體的流行程度?？赏ㄟ^多種方 式來確定流行程度。一種方法是識別在可靠搜索引擎上搜素角色名字所返回的搜索結(jié)果的 數(shù)量。例如，在Google中搜索"比爾?克林頓"會返回大約40400000個結(jié)果。在Google中 搜索"小布什"會返回大