本申请涉及一种视频标注方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：对于训练视频集合中的训练视频，获取训练视频对应的训练三元组；训练三元组包括视频标识、训练标签以及训练关系；分别获取视频标识、第一训练关系以及训练标签各自对应的语义表达特征；将视频标识对应的语义表达特征和视频标识对应的内容提取特征输入融合模型，得到训练融合特征；基于训练融合特征以及第一训练关系对应的语义表达特征，确定预测标签特征；基于训练标签对应的语义表达特征和预测标签特征之间的差异，调整各个语义表达特征以及融合模型的模型参数，得到各个目标语义表达特征以及目标融合模型。采用本方法能够提高视频标注时标签多样性。