本研究希望透過影像來改變對話系統，並透過影集的資料集來實現。在訓練上透過給予畫面能夠更快速的使模型收斂，不論在固定畫面模型或是隨機畫面模型，其收斂速度都明顯的比純文字模型來的快速。顯現出模型確實能在這樣的方式中學習到影像的特徵。在人工評量中，藉由此種資料集訓練的模型所產出的結果還是比隨機選擇的句子好。