Feature Re-Learning with Data Augmentation for Content-based Video Recommendation
Introduction
作者主要将特征再学习，使得在对应的特征空间相关性强的点能够靠的比较接近比原始的特征空间。
Proposed solution
Augmentation for frame-level features
采用skip sample的方式
Augmentation for video-level features
给特征增加噪音，使模型更加具有鲁棒性
Model structure
利用一个全连接层将原始的特征映射到新的空间。
作者从经验上发现模型的表现对于维度不敏感。
Model training
为了使相关的视频的cosine相似度更大，不相关的视频的cosine相似度更小，因此作者提出triplet ranking loss：
优化目标即最小化loss：
Evalution
Choice of loss functions：
Effectiveness of data augmentation：
Effectiveness of feature re-learning：