真值发现是解决多源信息融合过程中信息冲突问题的关键技术之一,该工作可以从不同数据源提供的信息中找出最真实的信息,在数据库、知识图谱、医疗健康、众包等各领域的数据融合过程中,起到了至关重要的作用。尤其在众包聚合的研究中,其真值推理与真值发现的过程本质上是相同的。然而,由于信息的结构多样性以及数据源的不可靠性,人们往往习惯于针对特定的场景进行概率图建模。概率图模型的超参数的设置以及计算的复杂性都约束了真值发现技术的大规模应用。而基于优化的真值发现方法和基于聚类的众包真值推理算法不仅计算简洁,还具有较强的普适性。因此,对基于优化的真值发现方法和基于聚类的众包真值推理算法进行研究具有重要的应用价值。本文主要研究工作如下:(1)基于信息关系的最优化的真值发现方法研究。数据源为对象提供的信息是真值发现研究的关键因素之一,而这些信息之间的关系对真值发现的效果具有一定的影响。本文提出了一种基于信息关系的最优化的真值发现方法。首先,该方法对一些冗余信息和异常信息进行处理,然后通过考虑信息之间的关系,构建信息之间的支持度函数,并将其添加到最优化的真值发现框架中,通过块坐标下降法进行参数求解,从而得到每个数据源的可靠性以及每个对象的真实信息。实验结果表明,该方法在准确率上要优于其对比算法。(2)基于标签可信度聚类的众包真值推理方法研究。众包标注中的真值发现问题即众包上的真值推理,该方法针对众包中的单一选择问题,首先通过基于最优化的真值发现方法生成每个众包工人的权重,进而得到每个任务的每个标签的可信度,将每个标签类别作为任务的特征,标签的可信度作为特征值,根据这些特征值利用K-Means算法将所有的任务聚成与标签类别数相同的簇,每个簇对应一个标签类别,从而得到每个众包任务的真实标签,即真值。与一些经典的众包真值推理算法相比,该方法具有更高的准确率、相对不错的运算速度以及更强的普适性。