如何基于视频理解的进行视频推荐，而不是单单基于文本的推荐？视频理解可以给视频推荐系统提供哪些特征？

可以看看youtube 这篇文章

Collaborative Deep Metric Learning for Video Understanding

主要就是利用CF signals train一个基于content -ware的video embedding .

当然它只利用video feature 和audio feature 的fusion , fusion 方式也比较简单，early fusion 和late fusion 两种。

我之前做过短视频推荐召回就是在这篇文章的基础上魔改各种结构，堆attention, 加文本和封面的特征。