每一個視頻，不論長短，在拍攝時都是有故事線和邏輯結構的，以往的視頻分析主要集中於視頻分類打標，而對於視頻的細粒度結構分析涉及較少。如果我們在視頻搜索中查詢“某某角色戰勝另外一位角色的打鬥片段”，僅有基於關鍵詞的匹配是遠遠不夠的。電視劇或者電影在拍攝時都是從小片段拍出來的，如何像導演一樣來解構視頻是視頻理解中一個非常挑戰性的問題，它不僅涉及到基於計算視覺、ASR、OCR、NLP 等一系列多模態分析技術，還涉及到視頻內容製作的原理和方法，如何能夠對視頻做完整的逆向工程不僅對於多模態搜索推薦，而且對於視頻智能創作、後期都有很大的助力。這裏我將給大家介紹優酷在結構化視頻理解方面做的一些嘗試工作，從應用到系統、算法設計給出我們的經驗嘗試。