在现今大数据时代中,互联网上的信息数据量成爆炸式增长,异构数据规模庞大,真假信息相互混杂。人们可以从各种来源处获得需要的信息,但这些网络开源数据成长尾分布,且来源之间关系隐含且复杂。本文围绕网络开源信息的真值发现问题开展研究,基于深度学习方法,面向无标签多源文本数据以及单个文本数据,分别提出了基于GCN的无监督多源真值发现模型与基于外部信息融合的单源真值发现模型,并设计实现了基于真值发现的网络信息检测判别系统,本文具体内容包括:1.基于图卷积网络的无监督多源真值发现算法。考虑多源文本信息的真值发现领域中无法有效结合文本语义以及数据源间关系进行真值判别的问题,本文提出了基于图神经网络的无监督多源真值发现模型。该模型基于平滑逆词频的文本表征方法,利用图卷积神经网络进行源间关系挖掘,使用整图嵌入方法进行真值估计。基于对现有方法的对比实验表明利用整图分类的方法进行真值估计能有效提高真值发现的准确性。2.基于外部信息融合的单源真值发现算法。考虑现有单源文本信息的真值发现方法中所融入的外部知识维度较少的问题,本文提出了一种基于外部信息融合的单源真值发现模型。该模型融入了新闻传播信息和用户关系两个维度的外部知识,利用BERT模型进行文本表征学习,分别使用图卷积神经网络和结点嵌入方法对两种外部知识进行分析,最后基于上述分析学习结果使用多层感知机进行真值判别。基于对用户偏好感知模型的对比实验证明了加入用户关系外部知识对真值判别结果的提升。3.基于真值发现的网络信息检测判别系统。基于所提出真值发现模型,使用Python Flask框架进一步设计并进行实现网络信息检测判别系统,为舆情检测,虚假信息判别等其他领域应用提供了有效支撑。