بعد انتشار خدمات البث الإعلامي، يواصل عدد من خدمات بث الفيديو شراء محتوى فيديو جديد باستمرار لاستغلال الربح المحتمل الناتج عنها. وبما أن المحتوى الجديد يجب معالجته بشكل فعّال لتوصية المستخدمين المناسبين به، فإن هذه الورقة تتناول مشكلة البدء البارد للمادة الجديدة من خلال استكشاف الإمكانات المتوفرة في مجموعة من ميزات التعلم العميق لتوفير توصيات فيديو. تشمل الميزات التي تم دراستها ميزات تُمكّن من التقاط المعلومات البصرية والصوتية والحركة من محتوى الفيديو. كما نستكشف طرقًا مختلفة للدمج لتقييم مدى كفاءة دمج هذه الأنواع المختلفة من الميزات بهدف استغلال المعلومات المكملة التي تُمكّنها من التقاطها. أظهرت التجارب على مجموعة بيانات فيديو حقيقية لتقديم توصيات أفلام أن ميزات التعلم العميق تفوق الميزات المصممة يدويًا. وبشكل خاص، تُظهر التوصيات التي تُنتج باستخدام ميزات الصوت المستندة إلى التعلم العميق، وميزات التعلم العميق المرتبطة بالحركة (action-centric)، تفوقًا ملحوظًا على ميزات MFCC والميزات الحالية من نوع iDT. بالإضافة إلى ذلك، فإن دمج ميزات التعلم العميق المختلفة مع الميزات المصممة يدويًا والبيانات النصية يؤدي إلى تحسين كبير في دقة التوصيات مقارنةً بدمج الميزات المُستندة إلى التعلم العميق وحدها.