本研究介绍了电视节目检索（TVR）数据集，结合视频和字幕文本，包含109K个查询和查询类型标签。提出了多模态时刻定位网络（XML）模型，采用ConvSE模型，具有更好的效率和性能。同时，还收集了描述TVR标注时刻的相关信息，形成了多模式字幕数据集TVC。