一种通过问题应答装置执行的问题应答方法，包括如下步骤：基于同一字幕，以一个镜头为单位划分数据集的视频数据中包括的图像帧、音频数据、字幕数据；通过计算包括在镜头中的图像帧、音频数据、字幕数据各自的特征向量来提取镜头特征向量；提取所述数据集中包括的问题答案对中的问题数据和与所述问题数据对应的多个选项数据各自的特征向量；将所述镜头特征向量输入到多层神经网络后，向各层的输出向量赋予基于所述问题数据计算的注意力权重并求和，从而算出视频特征向量；以及基于所述视频特征向量与选项特征向量之间的相似度，在所述多个选项数据中选择最终答案。