，Cl性别属性的β^系数和c3吸引力属性的β3系数）是正数。如果杰西卡更喜 欢男性角色而不是女性角色，性别属性的βi系数会是负数。这些系数可被称为消费者的偏 好系数，而且它们关联着角色模型的所有或者一些值。偏好系数可以是整数或者实数。负 面偏好（例如，对于属性是不喜欢的）也可并入偏好函数。本领域普通技术人员将理解的 是，系数具有参数类型，而且对于其他函数形式更一般的参数可采用来取代系数。
[0070] 在另一示例中，乔治作为另一个作为开电视的人，仅仅对角色的科学家维感兴趣。 乔治喜欢科学家而不管他们的其它属性。乔治的角色偏好函数显然比杰西卡的角色偏好函 数简单地多，因为乔治仅仅关心一个维度一科学家维。因此，所有其它维的系数或权值为〇。 乔治的角色偏好函数被简化为：
[0071] f(george) =β2 ·c2
[0072] 其中β2大于0。杰西卡的和乔治的偏好在他们的角色偏好函数中被捕获。这些 角色偏好函数可被用来推荐角色以及确定角色之间的距离，其中推荐和距离对于与角色偏 好函数关联的消费者都是个别地加以考虑的。
[0073] 如上所述，系统可基于角色偏好函数来推荐角色。采用杰西卡的角色偏好函数和 图1所示的角色模型，系统将把潘妮106和伯纳黛特112的等级定地很高。该系统将推荐潘 妮106和伯纳黛特112给杰西卡，因为根据潘妮的角色模型120、伯纳黛特的角色模型126 和杰西卡的角色偏好函数的组合，潘妮106和伯纳黛特112的等级被定地很高。可利用消 费者的角色偏好函数来计算被推荐为等级的推荐值： Ν·>
[0074] -β-c
[0075] 其中β表示消费者沿n属性的偏好系数，而且c表示角色沿相同n属性的的属性， 例如来自角色模型。可针对不同角色多次计算该角色偏好函数以针对特定消费者确定之间 的距离。
[0076] 根据乔治的角色偏好函数和图1所示的角色模型，系统将都是科学家的所有角色 进行同等定级并且将他们推荐给乔治。类似的等式可被用来针对乔治计算推荐值。
[0077] 除了捕获了消费者喜欢或不喜欢什么的信息，角色偏好函数还可表示不同或附加 信息。例如，杰西卡的角色偏好函数可表示杰西卡喜欢什么、杰西卡过去看过什么类型的角 色或内容、杰西卡对什么类型的角色或内容提供过反馈、反馈是正面的还是负面的、以及这 些元素中的一个或多个的组合等。
[0078] 系统还可通过使用角色偏好函数以及角色模型的组合来确定角色之间的距离。例 如，根据上述杰西卡的角色偏好函数以及图1所示的角色模型，系统将会把潘妮和伯纳黛 特识别为具有相对低的距离，因为潘妮和伯纳黛特具有相同性别（女性）和吸引力（很有 吸引力）。回想性别和吸引力是杰西卡的角色偏好函数中关联的两个维度。如果性别和吸 引力是与杰西卡的角色偏好函数有关的唯一的一些维度，潘妮和伯纳黛特之间的距离为0。 类似地，系统将确定霍华德和潘妮具有相对大的距离，因为霍华德和潘妮在性别和吸引力 方面都不同。具体地，霍华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数强调了性别和吸引力维。因此，霍华德和潘妮可被系统看 作是相对于杰西卡的角色偏好函数是相反的，因为霍华德和潘妮在性别和吸引力方面都不 同。
[0079] 角色偏好函数的第二阶项
[0080] 在一些情况下，可使用第二阶或更高项来计算基于角色模型和角色偏好函数的角 色之间的距离。例如，消费者可能喜欢男性科学家但是可能不喜欢女性科学家。类似地，消 费者可能喜欢很有吸引力的女性以及很有吸引力的科学家。为了在这些组合之间做出区 分，第二阶或更高偏好需要被捕获在角色偏好函数中。对于第二阶项，注意，例如，针对很有 吸引力的女性角色（第二阶）的偏好不同于针对很有吸引力的角色（第一阶）和女性角色 (第一阶）的偏好。
[0081] 在一个示例中，名叫布赖恩的消费者喜欢女性科学家角色（第二阶）一级很有吸 引力的角色（第一阶）以及友好的角色（第一阶）。注意，针对女性科学家的偏好不同于针 对女性角色以及作为科学家的角色的偏好。布赖恩的角色偏好为：
[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。正系数γu，γ3,4捕获的第二阶项提供了 针对布赖恩的偏好的对于角色推荐和角色之间的距离的更精确的度量。为了清楚表示，利 用注释将布赖恩的角色偏好描述为如下：
[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] 偏好的第二阶被捕获在布赖恩的角色偏好函数中以提供针对布赖恩的偏好的对 于角色推荐和角色之间的距离的更精确的度量。
[0088] 具体地，布赖恩的角色偏好函数显示布赖恩喜欢女性科学家。采用权值#的矢量 以及针对第二阶项γ的权值的矩阵将其存储在布赖恩的角色偏好函数中。因此，在采用布 赖恩的角色偏好函数计算推荐和距离时，系统可考虑布赖恩的第二阶偏好。在关于布赖恩 的角色偏好函数的这个示例中，第一角色Α和第二角色Β之间的距离d被确定为如下：
[0089]
[0090] 本领域技术人员将很容易理解的是，其它技术可被用来表示角色偏好函数。
[0091] 偏好模型
[0092] 可采用来自多个角色偏好函数的数据并结合与角色偏好函数关联的用户的相关 已知属性来开发偏好模型。用户的数据库被汇集，将用户与一个或多个属性以及它们的角 色偏好函数关联起来。采用该数据库，可针对个人或一群人来确定偏好模型。
[0093] 例如，假设75%的用户是女性而且具有科学、技术、工程或数学（STEM)领域的文 凭，而且她们具有表示她们喜欢观看媒体中的女性科学家的用户配置文件。这强烈地表示 具有STEM领域的文凭的其它女性也会喜欢观看媒体中的女性科学家。因此，当提供她们的 性别为女性而且具有与STEM相关的教育背景的新用户加入系统，系统可预测新用户将会 喜欢观看女性科学家，而无需要求直接来自新用户的关于她的观看偏好的反馈。由此，系统 可采用上述技术利用新用户喜欢女性科学家的预测来推荐媒体。
[0094] 类似地，多个角色偏好函数可被用来预测特定人口统计会喜欢什么特征。例如，如 果正在进行群体观看（例如在电影院），关于组员的属性的统计可被预先采集。与群体的属 性有关的统计可被用来识别该群体很可能喜欢的角色的类型。采用上述技术，可以识别出 该群组很可能喜欢的媒体。偏好模型还可扩展涵盖媒体至任意类型的角色。
[0095] 涵盖依赖于人口统计信息，可按照大量不同方式来计算用户专用偏好函数：1)直 接引导：询问用户他们对特定角色、角色属性或属性组合的偏好。2)从喜爱的角色和节目 进行推断。例如，给定用户喜欢的一组角色以及用户不喜欢的一组角色，通过假设用户"喜 欢"角色的可能性是用户的角色偏好函数的S型函数（例如，^可以估计出偏好 权值。通过找出使得用户喜欢以及不喜欢这些角色组的联合概率最大的系数β，γ，系统能 计算出用户的角色偏好函数。3)根据生理记录进行推断：在没有消费者直接报告关于他们 的角色偏好的情况下，视线追踪、面部反应、姿态映射或者任意数量的其它类型的生理记录 可被用来检测哪个角色要求消费者的最多注意力，以及该注意力是正面的还是负面的。给 定对角色的这些生理反应，可遵循与针对2)描述的方法类似的方法来推断偏好模型。偏好 模型还可扩展涵盖媒体至任意类型的角色。
[0096] 内容推荐
[0097] 关于角色的信息可被用来确定评级以及媒体内容的推荐，而且用来确定媒体内容 之间的距离。例如，喜欢很有吸引力的科学家的消费者很可能会喜欢采用多个作为很有吸 引力的科学家的角色的节目。相同消费者很可能会不喜欢主要采用作为没有吸引力的非科 学家的角色的节目。
[0098] 可采用针对媒体内容中的所有或者一些角色的消费者的偏好的突显性加权求和 来对媒体内容进行评估。可通过多种方式来确定媒体内容中的角色的相对突显性。
[0099] 确定突显性的一种方法是使得突显性基于角色获得的在屏时间相对于所有角色 的总在屏时间的百分比。简单举例来说，考虑包括医生、工程师和代理人作为角色的喜剧节 目。医生的总在屏时间为1100秒，工程师的总在屏时间为1500秒，而且代理人的总在屏时 间为仅仅600秒。采用该第一方法，角色（Char)相对于所有角色（AllChars)的突显性S 可被计算为：
[0100]
[0101] 在医生、工程师和代理人的特定示例中，针对每个角色的突显性被计算如下：
[0102]
[0103]
[0104]
[0105] 确定突显性的另一种方法是使得突显性基于在社交媒体中针对角色检测到的互 动数量。例如，Twitter、Facebook、Google+、Instagram以及其它社交联网网站可被监控来 追踪角色的名字呗提及的次数、角色的图像被公开的次数、角色的引用被确认的次数（例 如，Facebook上喜欢角色的粉丝专页）等。采用该方法，媒体内容中的一个角色引发互动 的次数相对于媒体内容中的所有角色引发互动的次数的对比来确定角色的相对突显性。例 如，该计算可如下执行：
[0106]
[0107] 确定突显性的另一种方法是考虑角色在互联网上总体的流行程度。可通过多种方 式来确定流行程度。一种方法是识别在可靠搜索引擎上搜素角色名字所返回的搜索结果的 数量。例如，在Google中搜索"比尔?克林顿"会返回大约40400000个结果。在Google中 搜索"小布什"会返回大