在线医疗社区为人们提供了一个获取健康信息的平台,是医患沟通交流的重要渠道。和所有开放的网络社区一样,在线医疗社区中信息的可信性良莠不齐,低可信性的回答不仅不能解决患者的问题,还导致患者重复咨询,造成医疗资源浪费,但由于医学知识的专业性和复杂性,用户个人难以进行判断,如何对这些回答内容的可信性进行评估是一个难题。主观的、低效的人工评估方式难以适用于当前快速产生的、大数据量的社区回答文本数据,基于传统机器学习的可信性评估模型也高度依赖特征的构建且较少对文本的深层语义信息进行挖掘。知识图谱（Knowledge Graph）是一种描述知识和建模事物之间关联关系的技术方法,作为一种知识表示方式,其能够从海量非结构化的文本中抽取出实体和实体间的关系即语义,并将其组织和存储起来,用于各项智能的知识服务。本文提出了一种基于知识图谱的在线医疗社区回答内容可信性检测方法。以寻医问药网中“糖尿病”版块的问答文本为数据源,首先结合深度学习的模型构建在线医疗社区回答内容知识图谱,将回答内容文本表示为结构化的三元组形式。以预训练语言模型BERT作为词嵌入层,对“一词多义”的情况进行建模,随后,基于Bi LSTM-CRF模型对经过BIO标注的数据集进行实体识别,并通过与其它4种模型的对比说明该模型在本文数据集上的有效性。对实体间的关系进行抽取之前,针对数据标注过程中存在的关系重叠问题,使用一种实体遮蔽（Entity Mask）的标注方式,接着通过对比3种不同的模型,选择表现更优的CNN-Attention作为关系抽取的算法。之后,基于公开的期刊文本标注数据集构建糖尿病领域知识图谱,并引入实体规范度和关系一致性系数的概念,检验社区回答三元组与领域知识图谱的一致性;接着,考虑关系抽取算法的准确性引入关系准确度的概念,得到三元组的可信性得分;最后,汇总三元组的可信性得分并基于Sigmoid函数得到回答内容的可信性,以此对寻医问药网中的实例数据进行检测与分析。寻医问药网的实例验证结果表明,本文提出的可信性检测方法合理有效,与人工评估的模式相比,具有更高的效率和解释性,为检测在线医疗问答社区回答内容可信性提供一种新思路。在为用户获得更高内容可信性的医疗健康信息提供启发和指导的同时,也帮助在线医疗社区对回答内容进行智能预检,提高社区内容可信性,助力在线医疗社区健康发展。