約95800000個結(jié)果。因此，角色小布什相對于角色比爾·克林頓 更突顯。采用該方法，角色在互聯(lián)網(wǎng)上總體的流行程度可被用來以與針對角色的在屏分鐘 數(shù)的方式類似的方式計算突顯性，如上所述。
[0108] 用于搜集總體的或者指定用戶的角色突顯性的另一方法是采用對角色的生理反 應(yīng)。例如，視線追蹤數(shù)據(jù)可被用來評估觀看者平均地花費在看謝爾登、萊納德和潘妮上的時 間多于生活大爆炸的任意其它角色，從而賦予這些角色在人群中的特別高的突顯性?？商?換地，或者此外地，系統(tǒng)可計算特定用戶，杰西卡，將她的大部分時間花在觀看潘妮上，表明 對于她來說潘妮是最突顯的角色。用于搜集指定用戶的突顯性的另一方法是分析用戶在社 交網(wǎng)絡(luò)上響應(yīng)于觀看該節(jié)目而做出的行為。
[0109] 本領(lǐng)域技術(shù)人員可以容易地理解，上述突顯性技術(shù)不是必須考慮媒體內(nèi)容的所有 角色。例如，最小閾值可被設(shè)置以使得在突顯性計算中不考慮不突出的角色（例如，接收 很少在屏時間的角色，引發(fā)很少社交媒體互動的角色，在互聯(lián)網(wǎng)上的流行程度很低的角色 等）?？商鎿Q地，或者此外地，最大閾值也可被設(shè)置以使得在突顯性計算時特定媒體內(nèi)容中 的非常流行的角色不會使其它角色相形見絀。
[0110]消費者的偏好、角色的屬性和角色的突顯性被考慮來針對媒體內(nèi)容計算評級。該 評級可隨后被用來對各種媒體內(nèi)容分級以及向消費者推薦媒體內(nèi)容?？紤]更喜歡觀看電視 節(jié)目中的女性的名為史蒂文的消費者。史蒂文已經(jīng)表明，或者已經(jīng)從他的展現(xiàn)的偏好推斷 出，他特別喜歡看女性科學家而且他更喜歡電視節(jié)目中的在他看來具有吸引力的科學家。 系統(tǒng)針對史蒂文的偏好計算每個角色的角色偏好函數(shù)以考慮這些屬性。角色偏好函數(shù)表示 角色的消費者的評級。為了計算角色偏好函數(shù)，角色的突顯性被使用。在該情況下，針對圖 1中識別的角色，每個角色的突顯性被預(yù)先計算并在下面的表1中識別出來。在該情況下， 利用節(jié)目生活大爆炸的特定劇集，基于每個角色的在屏時間計算突顯值。如上所述，可以使 用其它方法。此外，該計算可以基于媒體內(nèi)容的單個場景、媒體內(nèi)容的單個劇集、媒體內(nèi)容 的單季或者媒體內(nèi)容的所有可用節(jié)目。
[0111]
[0112] 表1-示例的突顯值
[0113] 使得表示N個不同維上的角色clar的屬性值。下述角色偏好函數(shù)被用來 計算針對每個角色的評級：
[0114]
[0115] 此外，更高階項也可被包含。例如，角色偏好函數(shù)可被擴展成：
[0116]
[0117] 針對每個用戶單獨地確定系數(shù)β以允許個性化的推薦。對于史蒂文表示的偏好， 下述角色偏好函數(shù)被用來計算針對每個角色的評級：
[0118] f(Char) =Gender+(Gender*Scientist) + (Attractiveness*Scientist)
[0119] 采用圖1的角色模型和史蒂文的角色偏好函數(shù)，針對史蒂文，圖1所示的角色的評 級s被計算如下：
[0120] f(Sheldon) = -1+ (-1X1) + (-1X1) = -3
[0121] f(Leonard) =-1+(-1X1) + (0X1) = _2
[0122] f(Penny) = 1+(1X-1) + (1X-1) =-1
[0123] f(Howard) =-1+(-1X1) + (-1X1) = _3
[0124] f(Rajesh) =-1+(-1XI)+ (0XI) =-1
[0125] f(Bernadette) = 1+(1X1) + (1X1) = 3
[0126] f(Amy) = 1+(1X1) + (-1X1) = 1
[0127] 這些計算的角色評級對于針對生活大爆炸的特定劇集識別的角色是有效的。計算 的角色評級以及它們相應(yīng)的突顯值可被用來計算針對生活大爆炸識別的該特定劇集的節(jié) 目評級。通過求取每個角色的突顯性和評級的乘積之和來執(zhí)行節(jié)目評級的計算。利用突顯 性矢量聲和角色評級矢量穿劇集評級R被計筧為：
[0128]
[0129] 在史蒂文的具體示例中，相對于圖1所示的角色，生活大爆炸（TBBT)劇集的評級 R被計算為：
[0130] R(TBBT) = (0· 2X-3) + (0· 2X-2) + (0· 2X-1) + (0· 15X-3) + (0· 15X-1)
[0131] +(0. 05X3) + (0. 05X1) = -1. 6
[0132] 因此，消費者史蒂文對于生活大爆炸的該特定劇集的評級是-1. 6。對于推薦，該 評級值與類似地針對其他節(jié)目計算的評級值進行比較。根據(jù)評級值來準備定級。例如，具 有最高評級值的媒體內(nèi)容將被定級為最高，同時具有最低評級值的媒體內(nèi)容將被定級為最 低。最高定級的節(jié)目被推薦給消費者，因為這些高度定級的節(jié)目表示消費者很可能感興趣 或很可能喜歡的節(jié)目。本領(lǐng)域普通技術(shù)人員將理解的是，系數(shù)具有參數(shù)類型，而且用于其他 函數(shù)形式的更加一般化的參數(shù)可被采用來取代系數(shù)。
[0133] 系統(tǒng)集成
[0134] 上述技術(shù)可被分別或組合地使用以產(chǎn)生一個強大的系統(tǒng)來根據(jù)消費者偏好發(fā)現(xiàn) 和組織角色和媒體內(nèi)容。
[0135] 圖2圖示出組合技術(shù)的示例框圖，用于執(zhí)行角色和媒體內(nèi)容的發(fā)現(xiàn)和組織。在塊 202,系統(tǒng)訪問來自用戶的反饋。該反饋被用來確定用戶的偏好以及開發(fā)角色偏好函數(shù)。反 饋可能是明確的，例如通過直接的問題。反饋可能是不明確的，例如通過分析用戶點擊、觀 看、評論或分享的網(wǎng)站等。反饋可能是生理學的，例如視線追蹤、皮膚電反應(yīng)、腦電圖、面部 表情跟蹤、姿態(tài)映射等。角色偏好函數(shù)被存儲在數(shù)據(jù)庫中并且與從其接收到反饋的用戶關(guān) 聯(lián)。
[0136] 在塊204,角色模型中將要包含的屬性被確定。描述了多個示例。角色的外表屬性 可被追蹤，例如性別、年紀等。人格屬性可被追蹤，例如親和力、幽默感、殘忍等。社會屬性 或地位可被追蹤，例如關(guān)系（父母/祖父母），社區(qū)領(lǐng)導(dǎo)、職業(yè)等。附加屬性可被追蹤，例如 種族、社會經(jīng)濟階層等。
[0137] 在塊206,從數(shù)據(jù)源提取角色以及他們的屬性的相關(guān)數(shù)據(jù)?？梢詮闹T如維基百科、 粉絲專頁、社交網(wǎng)絡(luò)（例如Facebook和Twitter)之類的網(wǎng)站的文本、調(diào)查、專家驗證和其 它源提取數(shù)據(jù)。
[0138] 在塊208,執(zhí)行角色分解。從數(shù)據(jù)源提取的數(shù)據(jù)被用來針對角色模型數(shù)據(jù)庫中的角 色對在塊204中識別出來的每個屬性進行賦值。例如，上述各種技術(shù)可被用來為每個角色 的角色模型賦值。
[0139] 在塊210,用戶偏好模型和角色模型被訪問以在角色模型的角色屬性上確定用戶 偏好。偏好數(shù)據(jù)被用來發(fā)現(xiàn)用戶可能喜歡的新角色或新節(jié)目。偏好數(shù)據(jù)還可被用來根據(jù)用 戶的偏好組織角色或節(jié)目，例如識別哪些角色相似或者不相似。由此，系統(tǒng)能夠有效并且可 靠地推薦角色和媒體內(nèi)容給用戶。
[0140] 圖3圖示出用于推薦媒體的示例處理。在塊302,推薦系統(tǒng)訪問一組突顯值。該 組突顯值與媒體內(nèi)容關(guān)聯(lián)。每個突顯值與來自媒體內(nèi)容的一個角色關(guān)聯(lián)。突顯值表示了角 色對于節(jié)目的感覺或定調(diào)有多重要。角色的突顯值越高，角色越重要。在塊304,系統(tǒng)訪問 角色偏好函數(shù)。角色偏好函數(shù)與系統(tǒng)用戶關(guān)聯(lián)。角色偏好函數(shù)包括識別多個偏好系數(shù)的信 息。多個偏好系數(shù)中的每個偏好系數(shù)與從多個屬性選擇的至少一個關(guān)注屬性關(guān)聯(lián)。例如， 偏好函數(shù)可表示用戶具有與"性別"關(guān)注屬性關(guān)聯(lián)的偏好系數(shù)1以及與"科學家"關(guān)注屬性 關(guān)聯(lián)的偏好系數(shù)1。
[0141] 在塊306,系統(tǒng)訪問第一角色模型。第一角色模型與來自媒體內(nèi)容的第一角色關(guān) 聯(lián)。第一角色模型包括識別第一屬性值組的信息。屬性值與第一角色的屬性匹配。屬性可 以與其中角色偏好函數(shù)包括偏好系數(shù)的屬性相同。第一角色還與來自該組突顯值的第一突 顯值關(guān)聯(lián)。在計算媒體內(nèi)容的評級時第一突顯值將被用來確定第一角色具有多大的影響。
[0142] 在塊308,系統(tǒng)訪問第二角色模型。第二角色模型與來自媒體內(nèi)容的第二角色關(guān) 聯(lián)。第二角色模型包括識別第二屬性值組的信息。屬性值與第二角色的屬性匹配。屬性可 以與其中角色偏好函數(shù)包括偏好系數(shù)的屬性相同。第二角色還與來自該組突顯值的第二突 顯值關(guān)聯(lián)。在計算媒體內(nèi)容的評級時第二突顯值將被用來確定第二角色具有多大的影響。
[0143] 在塊310,系統(tǒng)通過執(zhí)行多個偏好系數(shù)與第一屬性值組的乘積的求和來計算第一 角色的第一角色評級。例如，系統(tǒng)將使得針對性別的偏好系數(shù)乘以針對性別的第一角色的 屬性值。系統(tǒng)還將使得針對科學家的偏好系數(shù)乘以針對科學家的第一角色的屬性值。針對 性別和科學家的這兩個乘積隨后被加在一起。第一角色的第一角色評級基于該和值。
[0144] 在塊312,系統(tǒng)類似地通過執(zhí)行多個偏好系數(shù)與第二屬性值組的乘積的求和來計 算第二角色的第二角色評級。例如，系統(tǒng)將使得針對性別的偏好系數(shù)乘以針對性別的第二 角色的屬性值。系統(tǒng)還將使得針對科學家的偏好系數(shù)乘以針對科學家的第二角色的屬性 值。針對性別和科學家的這兩個乘積隨后被加在一起。第二角色的第二角色評級基于該和 值。
[0145] 在塊314,系統(tǒng)計算媒體內(nèi)容評級。媒體內(nèi)容評級是根據(jù)第一突顯值、第二突顯值、 第一角色評級和第二角色評級計算的。突顯值被用來對每個角色評級對媒體內(nèi)容評級的影 響進行加權(quán)。
[0146] 在塊316,系統(tǒng)根據(jù)媒體內(nèi)容評級向用戶推薦媒體內(nèi)容。推薦可能簡單地提供媒體 內(nèi)容的標題，提供媒體內(nèi)容的鏈接，顯示媒體內(nèi)容等。例如，媒體內(nèi)容可能是系統(tǒng)已經(jīng)確定 用戶會喜歡、連接或同情的廣告。在其它示例中，媒體內(nèi)容可以是一篇現(xiàn)成的文章、游戲、移 動應(yīng)用或計算機應(yīng)用等。
[0147] 總體上，圖3的塊可按照各種順序執(zhí)行，而且在一些情況下可部分地或者完全地 并行執(zhí)行。此外，不是必須執(zhí)行所有塊。例如，該組突顯值不是必須在訪問第一和第二角色 模型之前被訪問。
[0148] 圖4圖示出用于推薦媒體的示例處理。在塊402,推薦系統(tǒng)計算一組突顯值的第 一突顯值。第一突顯值與媒體內(nèi)容的多個角色的第一角