约95800000个结果。因此，角色小布什相对于角色比尔·克林顿 更突显。采用该方法，角色在互联网上总体的流行程度可被用来以与针对角色的在屏分钟 数的方式类似的方式计算突显性，如上所述。
[0108] 用于搜集总体的或者指定用户的角色突显性的另一方法是采用对角色的生理反 应。例如，视线追踪数据可被用来评估观看者平均地花费在看谢尔登、莱纳德和潘妮上的时 间多于生活大爆炸的任意其它角色，从而赋予这些角色在人群中的特别高的突显性。可替 换地，或者此外地，系统可计算特定用户，杰西卡，将她的大部分时间花在观看潘妮上，表明 对于她来说潘妮是最突显的角色。用于搜集指定用户的突显性的另一方法是分析用户在社 交网络上响应于观看该节目而做出的行为。
[0109] 本领域技术人员可以容易地理解，上述突显性技术不是必须考虑媒体内容的所有 角色。例如，最小阈值可被设置以使得在突显性计算中不考虑不突出的角色（例如，接收 很少在屏时间的角色，引发很少社交媒体互动的角色，在互联网上的流行程度很低的角色 等）。可替换地，或者此外地，最大阈值也可被设置以使得在突显性计算时特定媒体内容中 的非常流行的角色不会使其它角色相形见绌。
[0110]消费者的偏好、角色的属性和角色的突显性被考虑来针对媒体内容计算评级。该 评级可随后被用来对各种媒体内容分级以及向消费者推荐媒体内容。考虑更喜欢观看电视 节目中的女性的名为史蒂文的消费者。史蒂文已经表明，或者已经从他的展现的偏好推断 出，他特别喜欢看女性科学家而且他更喜欢电视节目中的在他看来具有吸引力的科学家。 系统针对史蒂文的偏好计算每个角色的角色偏好函数以考虑这些属性。角色偏好函数表示 角色的消费者的评级。为了计算角色偏好函数，角色的突显性被使用。在该情况下，针对图 1中识别的角色，每个角色的突显性被预先计算并在下面的表1中识别出来。在该情况下， 利用节目生活大爆炸的特定剧集，基于每个角色的在屏时间计算突显值。如上所述，可以使 用其它方法。此外，该计算可以基于媒体内容的单个场景、媒体内容的单个剧集、媒体内容 的单季或者媒体内容的所有可用节目。
[0111]
[0112] 表1-示例的突显值
[0113] 使得表示N个不同维上的角色clar的属性值。下述角色偏好函数被用来 计算针对每个角色的评级：
[0114]
[0115] 此外，更高阶项也可被包含。例如，角色偏好函数可被扩展成：
[0116]
[0117] 针对每个用户单独地确定系数β以允许个性化的推荐。对于史蒂文表示的偏好， 下述角色偏好函数被用来计算针对每个角色的评级：
[0118] f(Char) =Gender+(Gender*Scientist) + (Attractiveness*Scientist)
[0119] 采用图1的角色模型和史蒂文的角色偏好函数，针对史蒂文，图1所示的角色的评 级s被计算如下：
[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] 这些计算的角色评级对于针对生活大爆炸的特定剧集识别的角色是有效的。计算 的角色评级以及它们相应的突显值可被用来计算针对生活大爆炸识别的该特定剧集的节 目评级。通过求取每个角色的突显性和评级的乘积之和来执行节目评级的计算。利用突显 性矢量声和角色评级矢量穿剧集评级R被计筧为：
[0128]
[0129] 在史蒂文的具体示例中，相对于图1所示的角色，生活大爆炸（TBBT)剧集的评级 R被计算为：
[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，消费者史蒂文对于生活大爆炸的该特定剧集的评级是-1. 6。对于推荐，该 评级值与类似地针对其他节目计算的评级值进行比较。根据评级值来准备定级。例如，具 有最高评级值的媒体内容将被定级为最高，同时具有最低评级值的媒体内容将被定级为最 低。最高定级的节目被推荐给消费者，因为这些高度定级的节目表示消费者很可能感兴趣 或很可能喜欢的节目。本领域普通技术人员将理解的是，系数具有参数类型，而且用于其他 函数形式的更加一般化的参数可被采用来取代系数。
[0133] 系统集成
[0134] 上述技术可被分别或组合地使用以产生一个强大的系统来根据消费者偏好发现 和组织角色和媒体内容。
[0135] 图2图示出组合技术的示例框图，用于执行角色和媒体内容的发现和组织。在块 202,系统访问来自用户的反馈。该反馈被用来确定用户的偏好以及开发角色偏好函数。反 馈可能是明确的，例如通过直接的问题。反馈可能是不明确的，例如通过分析用户点击、观 看、评论或分享的网站等。反馈可能是生理学的，例如视线追踪、皮肤电反应、脑电图、面部 表情跟踪、姿态映射等。角色偏好函数被存储在数据库中并且与从其接收到反馈的用户关 联。
[0136] 在块204,角色模型中将要包含的属性被确定。描述了多个示例。角色的外表属性 可被追踪，例如性别、年纪等。人格属性可被追踪，例如亲和力、幽默感、残忍等。社会属性 或地位可被追踪，例如关系（父母/祖父母），社区领导、职业等。附加属性可被追踪，例如 种族、社会经济阶层等。
[0137] 在块206,从数据源提取角色以及他们的属性的相关数据。可以从诸如维基百科、 粉丝专页、社交网络（例如Facebook和Twitter)之类的网站的文本、调查、专家验证和其 它源提取数据。
[0138] 在块208,执行角色分解。从数据源提取的数据被用来针对角色模型数据库中的角 色对在块204中识别出来的每个属性进行赋值。例如，上述各种技术可被用来为每个角色 的角色模型赋值。
[0139] 在块210,用户偏好模型和角色模型被访问以在角色模型的角色属性上确定用户 偏好。偏好数据被用来发现用户可能喜欢的新角色或新节目。偏好数据还可被用来根据用 户的偏好组织角色或节目，例如识别哪些角色相似或者不相似。由此，系统能够有效并且可 靠地推荐角色和媒体内容给用户。
[0140] 图3图示出用于推荐媒体的示例处理。在块302,推荐系统访问一组突显值。该 组突显值与媒体内容关联。每个突显值与来自媒体内容的一个角色关联。突显值表示了角 色对于节目的感觉或定调有多重要。角色的突显值越高，角色越重要。在块304,系统访问 角色偏好函数。角色偏好函数与系统用户关联。角色偏好函数包括识别多个偏好系数的信 息。多个偏好系数中的每个偏好系数与从多个属性选择的至少一个关注属性关联。例如， 偏好函数可表示用户具有与"性别"关注属性关联的偏好系数1以及与"科学家"关注属性 关联的偏好系数1。
[0141] 在块306,系统访问第一角色模型。第一角色模型与来自媒体内容的第一角色关 联。第一角色模型包括识别第一属性值组的信息。属性值与第一角色的属性匹配。属性可 以与其中角色偏好函数包括偏好系数的属性相同。第一角色还与来自该组突显值的第一突 显值关联。在计算媒体内容的评级时第一突显值将被用来确定第一角色具有多大的影响。
[0142] 在块308,系统访问第二角色模型。第二角色模型与来自媒体内容的第二角色关 联。第二角色模型包括识别第二属性值组的信息。属性值与第二角色的属性匹配。属性可 以与其中角色偏好函数包括偏好系数的属性相同。第二角色还与来自该组突显值的第二突 显值关联。在计算媒体内容的评级时第二突显值将被用来确定第二角色具有多大的影响。
[0143] 在块310,系统通过执行多个偏好系数与第一属性值组的乘积的求和来计算第一 角色的第一角色评级。例如，系统将使得针对性别的偏好系数乘以针对性别的第一角色的 属性值。系统还将使得针对科学家的偏好系数乘以针对科学家的第一角色的属性值。针对 性别和科学家的这两个乘积随后被加在一起。第一角色的第一角色评级基于该和值。
[0144] 在块312,系统类似地通过执行多个偏好系数与第二属性值组的乘积的求和来计 算第二角色的第二角色评级。例如，系统将使得针对性别的偏好系数乘以针对性别的第二 角色的属性值。系统还将使得针对科学家的偏好系数乘以针对科学家的第二角色的属性 值。针对性别和科学家的这两个乘积随后被加在一起。第二角色的第二角色评级基于该和 值。
[0145] 在块314,系统计算媒体内容评级。媒体内容评级是根据第一突显值、第二突显值、 第一角色评级和第二角色评级计算的。突显值被用来对每个角色评级对媒体内容评级的影 响进行加权。
[0146] 在块316,系统根据媒体内容评级向用户推荐媒体内容。推荐可能简单地提供媒体 内容的标题，提供媒体内容的链接，显示媒体内容等。例如，媒体内容可能是系统已经确定 用户会喜欢、连接或同情的广告。在其它示例中，媒体内容可以是一篇现成的文章、游戏、移 动应用或计算机应用等。
[0147] 总体上，图3的块可按照各种顺序执行，而且在一些情况下可部分地或者完全地 并行执行。此外，不是必须执行所有块。例如，该组突显值不是必须在访问第一和第二角色 模型之前被访问。
[0148] 图4图示出用于推荐媒体的示例处理。在块402,推荐系统计算一组突显值的第 一突显值。第一突显值与媒体内容的多个角色的第一角