视频问答（QA）和视频片段定位是重要的、具有挑战性的问题,因为它们需要视觉和语言理解,反映了人们通过语言互动的真实世界。推动能够“理解”视觉和语言的系统的发展,将有助于开发实际应用程序,这些应用程序可以帮助收集来自不同来源的信息和答案,并为人工神经网络突破新的开创性和挑战性的问题奠定基石。这就是我们要深入研究这个挑战性问题的原因。我们注意到最近的一个趋势,即NLP开始转向联合迁移学习与大规模目的语言模型,如BERT、RoBERTa和ALBERT。这些新模型被用于视频问答和视频片段定位。但这些新模型对视频问答和视频片段定位的真正影响仍未得到充分研究。为了开发更好的视频问答和片段定位系统,我们提出了以下两个研究问题:1.通过使用新的最先进的预先训练的机器翻译模型,微调和提取词嵌入来改进文本输入的编码,是否总是使得基于视频的QA系统获得更好的性能?2.通过使用新的最先进的预先训练的机器翻译模型,微调和提取词嵌入来改进文本输入的编码,是否总能使得视频片段定位系统得到更好的性能?为了回答这两个研究问题,我们首先研究了最近关于视频回答、视频片段定位以及预训练的翻译模型的最新文献。在此基础上,我们提出建立一个实验,比较了不同词嵌入对视频问答和视频片段定位的影响。对于视频问答,我们以TVQA+的数据集和模型为出发点。对于视频片段定位,我们以TVR的数据集和模型为起点。对于词嵌入,我们提出微调算法,在提取新的词嵌入之前,对三个最近流行的预先训练的带掩码的机器翻译模型（BERT、RoBERTa和ALBERT）,进行了 0、1、3和5轮的微调。在我们的研究中,ALBERT是三种机器翻译模型中最新的模型,而且与其他两种模型相比,在大多数NLP任务上取得了更好的效果。可以自然地预计到,ALBERT的词嵌入将为视频问答和视频片段定位带来最佳效果。事实证明,在视频问答中,ALBERT的表现最好,其次是基于BERT和RoBERTa的模型,他们分别获得了 66.35%、65.89%和65.55%的精度。在此任务中,三种机器翻译模型的词嵌入之间的差异较小的。然而,当涉及到视频片段定位时,RoBERTa的性能最好,其次是ALBERT和BERT。在VCMR、SVMR和VR任务中,在大多数度量评测下会出现这种情况。在VCMR任务中,当设置为R@1、IoU为0.7时,RoBERTa、ALBERT和BERT得到最好的性能分别为2.88、2.35和1.02。我们的RoBERTa词嵌入在VCMR（R@1,IoU=0.7）任务中获得了比TVR论文中报道的先进的性能高出9.92%。当回到我们最初的研究问题,我们可以得出结论,对于视频问答和视频片段定位,新的最先进的预先训练的机器翻译模型中的词嵌入会导致更好的性能。ALBERT或RoBERTa在视频问答或视频片段定位方面的性能优于BERT。然而,来自新的最先进的预先训练的机器翻译模型的词嵌入并不总是或简单地导致更好的性能,因为没有“通用万灵”的模型。在视频问答方面,ALBERT在三种机器翻译模型中表现最好。对于视频片段定位,RoBERTa在三种机器翻译模型中表现得最好。我们假设RoBERTa在视频片段定位方面的性能优于ALBERT,因为其语言数据几乎是ALBERT的两倍,而视频片段定位任务受益于更大的语言数据。通过实验研究,我们展示了词嵌入对视频问答和视频片段定位的重要性和影响,并在不同的TVR任务获得了新的最优结果。