现阶段,互联网应用领域不断扩大的同时,大量知识在网络上出现和传播,由于网络言论相对自由,知识的可信性难以辨别。另外,知识之间复杂的关系给传统的知识管理方式带来挑战,知识图谱以其直观的网络结构快速兴起。然而,传统的知识图谱构建方式难以满足需求,自动化构建机制不可避免地造成实体或关系错误,对知识推理、知识应用等环节造成不利影响。因此,面对快速增长的知识,亟需有效的知识可信性程度的评估方法,帮助筛选出正确、可靠的知识。本文围绕网络知识和知识图谱,研究了基于表示学习的知识可信性评估方法,并且在此基础上提出了基于表示学习的知识可信性评估模型,深入分析了影响知识可信性的因素和知识可信特性,构建评估得分体系及计算方法。最后基于评估模型设计开发了知识可信性评估系统。本文主要研究工作如下:（1）表示学习是进行知识可信性评估的重要方法,但现有的知识表示学习方法存在损失函数单一,面对复杂关系的知识表示效果欠佳的缺点。针对这一问题,本文提出一种基于背景信息和自适应权重度量的知识表示学习方法。该方法能够对实体和关系向量更好地表示,同时引入知识背景信息,进一步提高了模型效果,实现了更高的计算精度。最后在链接预测与复杂关系预测任务中进行实验验证,结果表明本文所述的知识表示学习效果更好,为基于表示学习的知识可信性评估模型建立提供了支持。（2）构建基于表示学习方法知识可信性评估模型。目前知识可信性评估大多局限于对某一领域知识的可信性评估,存在一定的局限性。本文对网络知识从来源上进行分析,建立了相应的评估指标,对知识图谱形式的知识在提高知识正确性评估能力的基础上,融合外部知识来源等因素,构建包含外部和内部两方面因素的知识可信性评估指标,设计评估策略计算据最终得分,并根据结果划分可信性等级,形成较为全面、合理、有效的知识可信性评估模型。（3）设计开发基于表示学习的知识可信性评估系统。分析可信性评估系统各项功能和非功能需求,设计系统流程、结构和功能框架,根据功能需求设计数据库模型及表结构,选择合适的技术框架,搭建稳定、安全的开发环境,实现基于表示学习的知识可信性评估系统的开发。最后对系统性能及各功能页面进行测试,保证系统正常运行。