VLEP (Video-and-Language Event Prediction)

VLEP 包含来自 10,234 个不同的电视节目和 YouTube Lifestyle Vlog 视频剪辑的 28,726 个未来事件预测示例（及其基本原理）。每个示例（参见图 1）由一个前提事件（一个带有对话的短视频剪辑）、一个前提摘要（前提事件的文本摘要）和两个由人们编写的潜在自然语言未来事件（以及基本原理）组成。这些剪辑的平均长度为 6.1 秒，取自各种事件丰富的来源，例如电视节目和 YouTube Lifestyle Vlog 视频。