本研究介绍了电视节目检索（TVR）数据集，包含109K个查询及其相关视频和字幕。提出了跨模态时刻定位网络（XML）和多模态字幕数据集（TVC），旨在提高视频时刻检索的效率和性能。此外，开发了多种模型，如可靠的互补匹配网络（RMMN）和DiffusionVMR，显著提升了视频检索效果。