该文综述多模态视频检索与问答研究，提出Tree-augmented跨模态编码、蕴含树数据集、无监督多模态逻辑推断、IRGR检索生成框架、视频对话生成、多模态Transformer检索、MERLOT自监督学习、时域金字塔变换器及强化学习RLET等方法，并通过多任务学习在TVQA上取得最优效果。