新媒体环境下突发事件识别与分析研究综述*

仲兆满，李 恒

(1.江苏海洋大学 计算机工程学院，江苏 连云港 222005； 2.江苏省海洋资源开发研究院,江苏 连云港 222005)

突发事件发生后，民众生命财产安全和国家安全、社会安定都会不同程度地受到威胁。在以微博、新闻客户端、微信等为代表的移动社交媒体兴起的新媒体背景下，地域不再是限制突发事件影响力的因素，导致突发事件影响的深度、广度急剧扩大。加强对突发事件暴发后社交网络舆情的分析、监督与控制，能有效遏制突发事件舆情扩散，消除突发事件衍生的负面影响。

本文围绕新媒体环境下突发事件信息识别及分析这一主题，全面调研分析了新媒体环境下突发事件识别及检测、谣言识别及处理、关键节点识别、舆情演变趋势分析、传播路径分析、网民情感分析等内容，阐明了当前新媒体环境下对突发事件信息处理的不足及未来的研究方向。

1 新媒体环境下突发事件信息的识别

现有新媒体环境下突发事件信息识别的研究主要包括突发事件本身的识别及检测、突发事件谣言识别、突发事件关键节点识别等。对突发事件相关信息的识别，可以把控突发事件的发展趋势，为突发事件的管控奠定基础，提高突发事件的管控效率。

1.1 突发事件识别及检测

近年来，频发的各类突发事件，对受难地和受难人造成难以估量的损失，因此，在突发事件暴发后采取相应的措施进行及时的网络监测和舆论引导有着重要意义。

现有关于新媒体环境下突发事件识别及检测的研究主要包括基于词特征和基于地域标签的突发事件识别及检测。

从突发词特征角度出发，童薇等[1]基于微博数据的文本特征、语义特征、时序特性和社交关系特性，提出了一种基于微博数据的突发事件检测算法。Guzman等[2]提出了一种突发关键词的检测方法，设计了基于归一化个体频率信号的可扩展的在线检测话题算法。Goto等[3]结合字符的双向长短期记忆模型和注意力机制提出了以文本突发词为中心的突发事件检测模型。Kalden[4]结合数据分析、风险映射、社交网络分析和异常检测提出了以突发特征词为中心的突发事件检测模型。张仰森等[5]提出了一种基于多词特征的微博突发事件检测模型，即对相同间隔时间窗口内数据进行切片，获取词频、话题标签和词频增长率等特征，以此构建耦合度矩阵，生成以突发词为叶子节点的二叉树。该模型对基于突发词特征检测突发事件有一定的参考价值，其流程如图1所示。王雪颖等[6]提出一种融合文本情感过滤和用户影响力的多特征微博突发事件检测算法。该算法首先通过噪声过滤和情感过滤获得文本，再采用用户影响力计算方法结合突发词提取算法提取突发词特征，最后引入凝聚式层次聚类算法对突发词集进行聚类，实现突发事件的检测。蒋伟进等[7]提出了一种基于词相关性特征的突发事件检测方法，利用了词频增长率特征、用户影响力及词权重三类指标。武国亮等[8]提出了一种基于命名实体识别的突发事件抽取方法。该方法首先将Lattice机制融合双向长短期记忆模型(Bi-LSTM)作为共享层，获取句子中的词语语义特征，再提取实体对应的分词结果作为Lattice机制的输入，并进一步强化实体语义特征的提取，提高了突发事件关键词的识别准确率。申云凤等[9]根据突发词涵盖的组织、人物、态度等特征，利用NLPIR相关工具结合Bi-LISM+CRF模型对突发事件的关键词进行识别和抽取。李东昊等[10]以用户及微博影响力为主要影响因子选取时间窗口内的微博,将选取的微博内容与历史数据相结合计算突发词, 通过聚类算法利用计算所得的突发词构建潜在事件数据集，实现突发事件的检测。几种突发事件检测方法的评价标准及精准率对比见表1。

表1 突发事件检测方法评价标准及精准率对比

图1 基于突发词的事件检测模型流程[5]

从地域标签角度出发，张雄宝等[11]提出一种基于突发词地域分析的微博突发事件检测方法，该方法从突发词的地域和情感属性两个维度识别微博突发事件：首先通过情感计算过滤非负值文档，然后根据特征词的地域扩散程度对剩余文档进行突发词检测，实现微博突发事件的检测。Cecaj等[12]提出以局部地域标签特征为中心检测突发事件。针对在线社交网络由于文本内容不够长、消息交换率过高而不容易检测新话题的问题，仲兆满等[13]根据微博的时空特点，将词出现频率、关联用户、分布地域和社交行为作为指标，提出了微博网络词突发值计算模型，并提出了将突发词的地域、频率、关联博文、关联博文产生的影响力以及关联用户作为指标的突发事件热度计算方法。

综上所述，现有的突发事件识别及检测研究多侧重于文本信息的特征提取，大都利用不同模型结合提取的文本特征以识别和检测突发事件。但突发事件的信息显然不止文本信息，图像、声音、视频等也是突发事件信息不可忽略的形式，多模态的信息特征对突发事件识别和检测效果的影响值得学者们进一步探究。

1.2 突发事件谣言识别

重大突发事件发生后，热点舆情将很快在网络环境中形成。大量舆情信息在高交换率的作用下开始逐渐异化，在此过程中，舆情信息极易演变为不同版本的网络谣言。而谣言的产生无疑会增加突发事件的管控难度，如果能及时准确地对新媒体环境下突发事件的谣言进行识别和处理，则可以更高效地实现突发事件的管控。

现有新媒体环境下突发事件谣言识别及处理的研究，基本是从谣言话题传播和谣言自身特征角度并结合不同的算法展开。

近年来，从传播学角度对突发事件谣言识别的相关研究，已经不再局限于基于传染病模型的谣言传播机制，更多学者将深度学习相关模型应用于展示谣言的传播情况，并以此作为谣言识别的突破口。从谣言话题传播角度出发，程亮等[14]提出基于BP神经网络模型的谣言检测方法，改进其激发函数,同时引入冲量项,实现了微博突发事件谣言的检测。王征等[15]提出了基于复杂网络理论的微博谣言识别与预警算法，以动态节点管理为基础，实现谣言散布节点的早期预警，再以复杂网络关系发展理论为基础，对谣言与真实信息进行轨迹聚类和隔离，实现谣言预测和识别。王杏[16]根据突发事件中网络谣言传播中传播主体的匿名性、传播机制的复杂性、传播结果的危害性等特点，提出了新媒体环境下突发事件谣言处理策略。

从谣言自身特征角度出发，传统的谣言检测方法都是基于词频统计、相似度计算等，其根本是概率方法，而基于深度学习的方法构建不同的网络，提取更深层特征的谣言识别方法则是新的研究热点。Castillo等[17]以Twitter中的谣言数据为数据集，结合所抽取谣言数据的内容、用户、主题和传播等四类特征提高谣言识别效率。张会平等[18]结合计划行为理论、风险感知理论、社会资本理论和威慑理论，依据谣言信息特征构建突发事件中网络谣言识别行为意向影响因素的概念模型，有效地识别突发事件的谣言。张鹏等[19]利用遗传算法对BP神经网络模型进行优化，剖析网络谣言的热度、异化度、变化趋势等特征，建立相应的预警指标体系，构建了网络谣言危机的预警模型，实现了突发事件中网络谣言的监控、预警以及风险的量化评估。向青平等[20]根据新冠肺炎网络谣言的传播能力、传播形式、产生依据等特征对谣言进行识别和分类，并根据谣言的异化程度提出相应辟谣机制。Ding等[21]整合了计划行为和威慑理论，对突发事件中影响社交媒体用户谣言识别行为的因素进行评估。该模型从谣言态度、主观规范和感知行为等特征讨论模型对谣言识别的影响，还结合威慑理论探讨了惩罚机制等社会因素对主观规范和社交媒体用户谣言识别行为的影响。

根据以上学者对基于新媒体的突发事件谣言识别与处理的相关研究，将其使用的相关技术和研究成果进行对比，结果见表2。

表2 基于新媒体的突发事件谣言识别与处理相关研究

1.3 突发事件的关键节点识别

突发事件通过互联网平台进入公众视野，并迅速成为网络舆情传播和热议的焦点,而准确识别出突发事件的关键节点，可以显著提高突发事件的管控效率，降低突发事件的影响。

通过对新媒体环境下突发事件关键节点的识别，可以实现突发事件的要点把控，掌握突发事件的关键演变信息。根据突发事件关键信息制定不同处理策略，现有新媒体环境下突发事件关键事件节点识别的研究主要从突发事件相关信息活跃度和信息传播的角度进行分析。

从突发事件相关信息活跃度出发，张晓霞等[22]以突发事件“招远麦当劳命案”为例，依据节点在网络中的活跃度和其对信息流控制作用，挖掘影响突发事件信息传播的关键节点，再结合情感计算分析关键用户节点所发布的微博，实现突发事件关键节点的标识。陈思菁等[23]提出一种考虑用户行为特征、网络全局信息以及影响力衰退机制的关键节点动态识别方法，并与信息活跃生命周期相结合。利用Spearman相关分析和SIR传播模型对方法的合理性进行验证，根据不同演化阶段关键节点特征的对比分析，提出针对不同阶段突发事件信息传播的舆情治理策略。

从信息传播角度出发，康伟[24]以2011年的重大突发事件“7·23动车事故”为研究对象，生成信息传播网络拓扑图；根据邻接矩阵数据进行网络密度、可达性、聚类系数和中心性的测度，依据测度结果和传播位置对突发事件进行关键节点分层与识别。刘樑等[25]提出基于复杂网络模型的突发事件关键在线信息挖掘模型，研究了突发事件关键节点信息的演化路径，能有效识别突发事件在线信息的传播演化规律中的关键节点或关键在线信息，为有效预警非常规突发事件提供了借鉴与指导。曹学艳等[26]将LeaderRank算法与数据挖掘方法相结合，对论坛中突发事件网络舆情的实时传播数据进行测算，利用公式(1)将LeaderRank算法应用于节点影响力的计算，简明扼要地展现节点出度和节点影响力的关联，其中aij为第i和j个节点的回复关系，koutj为k时刻的第i个节点的出度。赵蓉英等[27]采用社会网络分析方法，结合大贤村遭遇洪灾的突发事件，对突发事件网络舆情传播进行了网络社群图、k-丛和接近中心性三种定量化的测度分析，识别出突发事件关键节点，并阐明了其内在的结构特征与演变规律。

(1)

学者从不同的角度对网络中关键节点进行了挖掘和分析，研究不再仅仅局限于对关键节点的分类, 更注重对关键节点的挖掘，使关键节点的识别具有动态性，准确率也进一步得到提升。

1.4 突发事件的关键用户节点识别

在突发事件网络舆情中，将相关用户看作一个个不同的节点，可以更直观展现不同用户之间的关系，而关键用户节点表示对其他用户节点影响力较大的用户，是突发事件和大众的“纽带”，影响网民的观点行为和事件的发展。识别出关键用户成为突发事件管控的一个重要方面。

基于新媒体的突发事件关键用户节点的识别，现有研究主要从用户活跃度和用户影响力角度并结合不同的算法和模型实现。

从用户活跃度出发，谢天保等[28]通过实验得到重要用户节点关联用户量、发布信息量、粉丝增长率等活跃度指标，以此为基础提出贝叶斯-PageRank算法筛选关键用户节点。王巍等[29]通过研究病毒传染、消息传播和话题传播模型，提出了基于微博粉丝关系、用户活跃度和影响力的话题传播模型；基于用户群规模，提出了基于用户和节点规模的话题传播预测算法，可以有效地检测关键用户节点。陈智等[30]提出了一种综合考虑用户活跃度和用户粉丝重要性的微博关键用户发现算法。该算法基于实际的微博用户数据，研究微博用户网络节点的度分布，分析影响微博用户节点关键程度的因素，考虑了微博高时效性的特点，能够从不断变化的微博用户网络中快速发现微博的关键用户。

从用户影响力角度出发，王佳敏等[31]提出结合意见领袖识别和层次分析法的意见领袖识别模型，结合“柴静事件”的微博数据进行实证研究，运用意见领袖识别模型对意见领袖进行识别并分析其影响力。张贤坤等[32]基于贝叶斯模型构建了一种微博用户影响力的计算方法。该方法利用微博社会网络中用户行为模式分析结果，获取用户节点属性的先验概率，并学习高概率的属性值，以此获得微博网络用户节点重要性的排序。Cao等[33]结合舆情传播中源节点和消息传输节点，首先向邻居节点传输及遵循广度优先获取用户权重的特性，基于博弈论建立了节点选择模型和节点搜索算法，提高了关键用户节点识别准确率。Li等[34]通过社会网络理论和类比模拟分析，利用微博数据，从空间上分析突发事件中网络中关键节点和重要行为者的特征，实现了对用户中心性的分析和识别。

根据以上学者对基于新媒体的突发事件关键用户节点的相关研究，将其使用的相关技术和研究成果进行对比，结果见表3。

表3 新媒体关键用户节点识别的相关研究

2 新媒体环境下突发事件信息的分析

现有新媒体环境下突发事件信息分析的研究主要从突发事件舆情演变趋势、传播路径及网民情感等三方面展开。

2.1 突发事件舆情演变趋势分析

在当前的新媒体环境下，舆情的形成与扩散是多方力量共同作用的结果，因此，突发事件社交网络舆情扩散的形式都比较复杂，控制相对困难，所产生的影响较传统传播环境也更为严重。一般来说，突发事件的生命周期包括了潜伏期、爆发期、蔓延期及消退期四个阶段，突发事件的生命周期演变过程如图2所示。通过对舆情扩散的关键要素及要素间的交互方式和推动扩散的源动力分析，可以掌握舆情的扩散机制。

图2 突发事件舆情生命周期

从舆情传播规律和舆情信息自身特征的角度，结合不同的算法分析新媒体环境下突发事件舆情传播趋势是当前主流的研究方法。

从舆情传播情况及规律的角度出发，Teevan等[35]将突发事件网络舆情传播过程中的话题词频、转发数、发布时间、粉丝量等因素作为加权依据并结合PageRank算法，计算微博突发事件舆情趋势。Keith等[36]根据突发事件发生后的网络舆情用户特征、地域位置等规律，建立了一个包含警源在内的三类要素指标体系，对网络舆情发展趋势进行分析。Baek等[37]将舆情扩散程度、聚焦热度等作为重大舆情事件监测的一级指标分析舆情演变趋势。覃伊蕾等[38]从时间、关注度、讨论度三个角度出发，把突发事件舆情生命周期分成四个不同阶段，以此推演突发事件舆情的演变路径。张斯昱[39]以新冠肺炎疫情为例，探讨该事件的网络舆情演进规律，将事件分为爆发、持续发酵、关键期三个阶段。袁国栋[40]根据舆情传播特征将其划分为萌发、扩散、爆发、消退等四个不同阶段，再利用不同阶段的属性关系构建舆情演化方程，最后计算舆情不同阶段演化的内在条件，分析舆情趋势。

从舆情信息自身特征角度出发，田野[41]提出了一种基于微博平台的事件趋势分析和预测算法，首先筛选不同条件的回归模型的决定系数，通过最佳拟合函数模拟突发事件的发展趋势,根据差值斜率的融合结果计算预测点的斜率值，作为事件趋势变化方向和变化强度的预测结果。Beuker[42]根据文章提取的舆情信息的内容、事态扩散情况和网民反应三个特征，构建网络舆情风险评估体系，对舆情趋势进行预测和分析。祁凯等[43]运用演化博弈理论结合舆情信息传播热度、危害性、周期性等特征构建了网络媒体与地方政府双方演化博弈模型，证明突发危机事件网络舆情传播热度与网络媒体和地方政府双方的策略选择有着直接关系。赵耀等[44]根据新冠肺炎疫情的发展态势和网络舆情的发展走势，将疫情的网络舆情分为从刺激到触发的潜伏期、从聚合到扩散的爆发期、从变异到应激的波动期和从失焦到回落的消解期四大阶段。安璐等[45]将构建的突发事件严重性评估指标与突发事件各传播阶段特征相结合，建立突发事件舆情传播预警机制，有效监测突发事件舆情演变情况。

根据以上基于新媒体环境下突发事件舆情扩散趋势的研究成果，对相关的研究技术方法和研究成果及不足进行总结、对比，结果见表4。

表4 新媒体环境下突发事件舆情扩散趋势的相关研究

2.2 突发事件网民情感分析

新媒体用户对突发事件的情感表达能够迅速感染其他用户的情绪,导致舆论的爆发。若能在突发事件中提前预测到新媒体用户情感倾向，则可以提前把握舆情管控关口，更好地防范舆情风险，有效管控突发事件。

现有对于突发事件中网民情感分析的相关研究，多集中于情感分析工具的优化，结合不同的机器学习和深度学习模型，实现网民情感的挖掘和分析。本文将新媒体用户的情感倾向分析相关研究分为舆情变化情况、用户的社会关系和舆情信息特征三个方面。

从突发事件舆情变化角度出发，王努努等[46]提出了一种结合ARIMA和BP神经网络的舆情情感预测方法，首先运用ARIMA模型描述历史舆情情感数据的线性关系，然后运用BP神经网络模拟舆情演变过程中由各种干扰因素产生的非线性规律，实现对舆情的情感预测。任中杰等[47]提出一种突发事件情感预测模型，先通过爬虫技术建立用户画像，再通过贝叶斯分类器对评论文本进行情感分析,并对情感倾向的影响因素作相关性分析，最后结合舆情高热期、持续期、反复出现期及消退期四个发展阶段的不同参数对用户不同阶段情感倾向实现分析。Singh等[48]以拉斯维加斯枪击事件数据为例，研究舆情不同阶段用户情绪感染力强弱情况，将改进的情感分析技术和变化点检测技术处理相结合，预测用户的时空情感变化情况。

从用户社会关系角度出发，安璐等[49]依据微博转发关系构建用户社会关系网络，以“魏则西事件”为例标识出利益相关者类型，根据用户情感类型和情感强度结合构建的社会关系网络得到社会网络情感图谱。鲁艳霞等[50]以“天津港爆炸事件”为研究对象，利用爬虫工具收集微博相关信息，然后使用文本挖掘软件进行中文词频分析,最后通过SPSS统计微博用户的情感，并从社交网络角度对网民群体情绪进行分析，发现网民群体情绪的不稳定性会导致行动的不确定性。Zou等[51]提出了一种协同的微博情感分析方法，构造了挖掘用户共享情感的微博情感分析模型和提取社交网络用户情感演变情况的社区微博情感分析模型。

从突发事件舆情信息特征角度出发，王佳敏等[52]构建了基于SVM分类器的中文微博情感倾向性模型，把情感、句式、词性和句间特征作为识别情感倾向性的特征。模型将SVM和识别情感的特征有效结合，对研究情感倾向问题具有一定的参考价值，其流程如图3所示。张鹏等[53]采用基于情感词典的情感分析方法，并且结合扎根理论的质性特点分析突发事件网络舆的情感极性。周红磊等[54]依据态势感知理论，结合定义的态势要素、态势理解、态势投射三个舆情信息特征构建突发公共卫生事件话题情感演化的理论模型，以微博平台数据为样本，探究新冠肺炎疫情话题背后的网民情感演变。张翼鹏等[55]从舆情误导性特征出发，对相关微博评论分类判别，获取相应主题信息，使用t检验分别对受众情感不同的误导信息进行比较。在误导信息中，相较正面情感信息，负面情感信息的受众参与程度更高。

图3 情感倾向性分析流程

2.3 突发事件舆情传播路径分析

突发事件舆情信息多通过新媒体进行传播，舆情传播路径的研究可以帮助相关人员进一步掌控突发事件舆情的传播情况，有效控制突发事件舆情发展。现有的关于舆情传播路径分析研究的重点不再局限于对舆情传播模型的简单研究，更侧重于传播过程的动态变化情况，主要从传播节点和突发事件舆情传播阶段角度出发。

基于传播节点角度，袁毅[56]以新浪微博客为研究平台，采集事件传播路径中的用户属性及行为数据，利用社会网络分析软件绘制信息传播网络图，并对传播网络的结构、路径及其影响因素进行分析，发现传播网络的形态与用户影响力、节点布局及外部干扰因素有关。王莉等[57]以“天津滨海爆炸”事件为例，研究微博转发中的中心式传播模型和链式传播模型等典型模型的路径演变过程,分析微博信息传播过程中的关键节点，发现微博信息传播中大规模信息传播模型是由不同作用的多个关键结点组成的。王晰巍等[58]基于社会网络分析方法对新媒体环境下自然灾害网络舆情的传播路径及网络结构进行分析，揭示了新媒体环境下移动端的微博舆情传播路径以中心节点间的多级传播路径为主。

基于传播阶段角度，袁媛[59]以“3·1昆明火车站暴力恐怖”突发事件为切入点，将新媒体信息传播路径划分为以零散化、碎片化的信息为主的网友爆料，地方媒体发布消息的媒体介入，官媒发布信息的官方回应， 引起全民关注的舆论演变及社交平台报道热议等五个阶段。

3 前景及展望

新媒体对于真实世界发生的突发事件的管控有很大支撑作用，能够有效遏制突发事件舆情扩散，防止突发事件衍生，减弱突发事件引起的负面影响。总结现有新媒体环境下突发事件相关研究面临的挑战及发展趋势，主要涵盖以下三方面内容。

3.1 结合深度学习研究突发事件

深度学习是当前最热门的研究之一。将深度学习相关模型运用到突发事件的研究中，利用不同深度学习模型的特点，结合不同的研究场景，最大程度发挥各种深度学习模型的优势，提高相关研究的效率，是本领域研究的重要方向之一。

(1) 利用聚类算法改进径向基函数(radial basis function,RBF)神经网络实现突发事件话题的预测。突发事件由于它本身存在无规则、随机发生、非线性等特点，因而具有一定的混沌特性。而RBF神经网络是非线性多层前向网络，隐层单元数可以根据研究的具体问题，在训练阶段自适应地调整，学习速度快。为了提高预测精度，可以对RBF神经网络进行改进，通过聚类算法获取RBF网络参数，利用基于聚类算法优化RBF神经网络用于突发事件话题预测。

(2) 将卷积神经网络(convolutional neural networks,CNN)应用到文本分类任务中实现关键节点识别。CNN可处理具有类似网格结构的数据神经网络，主要包含卷积层、池化层和全连接层。其基本原理为先定义多个一维卷积核，对输入分别做卷积计算，对输出的所有通道分别作时序最大池化，再将这些通道的池化输出值连结送入全连接层，最后通过全连接层将连结后的向量变换为各类别的输出。在对关键节点进行识别时，可将文本当作一维图像，使用一维卷积层和时序最大池化层获得词语之间的关联，进行关键节点的识别。

(3) 使用深度神经网络实现用户情感分类。对于情感分析的研究，已有的研究多将文本表示成向量形式结合分类器对文本分类处理。从深度学习出发，可以在卷积神经网络上融合注意力机制，进而构建包括输入层、卷积层、注意力机制以及输出层的情感分类模型。

3.2 多异构媒体突发事件信息处理

当前新媒体环境下，各种移动端社交媒体迅速兴起，突发事件相关信息分布在多异构媒体上。实现多异构媒体突发事件相关信息的采集、用户关联、内容关联及各种应用分析，可以更全面地把控突发事件的走向。对多异构媒体信息整合处理必将成为未来突发事件相关热点研究之一。

(1) 多异构媒体突发事件信息全面采集和分析。可以采用TF-IDF模型和尺度不变特征变换方法,实现突发事件文本、图片和视频信息的特征提取。通过欧式距离或余弦距离实现特征相似度计算，聚类相似度高的多异构媒体突发事件信息。利用朴素贝叶斯分类器过滤重复信息，分析异构媒体对突发事件报道的侧重点，以便对不同异构媒体实施不同的处理策略。

(2) 对齐异构媒体上相同用户注册的账号。同一用户往往会在不同社交媒体上注册多个账户，根据用户行为特征分析的结果，将同一用户注册的不同异构媒体上的账号进行对齐关联，为面向用户的舆情管控打下基础。采用主成分分析法提取用户行为重要特征，通过均值、标准差、众数等方法实现时域特征的计算，利用快速傅里叶变换实现频域特征的计算，对齐用户账号。

3.3 多模态突发事件信息处理

新媒体环境下突发事件信息往往是文本、图像、语音等多种模态混合形成的。为提高信息分析的精度，应开展多模态信息的分析与融合研究，针对不同模态的信息采取不同的处理方式，这样可以更高效地处理突发事件信息，提升突发事件管控的精准性。

(1) 单模态图像信息处理。利用图像分割简化图像特征的提取是现有研究的常用方法。可采用TensorFlow框架结合BP(back propagation)神经网络实现图像信息的处理，探究其对现有图像分割技术提取图片信息特征的优化效果。TensorFlow使用简单，只需要输入训练数据位置，设定参数和优化方法，即可给出优化结果。BP神经网络前向传播是对线性结果的非线性转化，获得映射关系，反向传播依据各种类型的梯度下降算法更新梯度，使得前向传播的结果更接近真实值。TensorFlow的逻辑回归算法与BP神经网络的传播机制的结合，将提升图片识别效率和精准性。

(2) 单模态语音信息处理。目前声音特征提取主要分为基于语音信号和基于非平稳信号两种方法。可以利用卷积神经网络(CNN)卷积的不变性克服语音信号本身的多样性，探究CNN对现有的两种提取声音特征方法的改进效果。CNN对图片分类能够取得很高的准确率，而语音信号经过傅里叶变换或者其他变换能够得到时间—频率图，可以将整个语音信号分析得到的时频谱当作图像处理，实现对突发事件中语音信息的处理。

(3) 多模态信息融合处理。在单独处理不同模态信息的基础上，使用贝叶斯分类器等技术实现多模态信息的融合，最终得到多模态信息的综合分析结果。