传统知识图谱主要使用从表格或文本数据中抽取到的三元组知识,随着相关技术的发展,出现了结合图像等其他模态数据构建多模态知识图谱的研究工作,在这个过程中噪声和冲突不可避免的被引入知识图谱。为了更好的应用知识图谱,需要对其中的多模态知识进行评估与验证。针对来自不同模态的三元组知识采用不同的方法进行评估,对于从文本中得到的知识,基于背景信息以及三元组上下文信息进行评估,对于从图像数据中得到的知识,基于场景图进行评估。本课题主要做了以下研究工作:1)设计了一种基于背景信息的知识评估方法PTCA。通过知识表示学习结合背景信息(实体之间的关联强度、实体类型信息以及多步路径信息)对源于文本的三元组知识进行评估。通过三元组分类任务、知识图谱噪声检测任务以及知识图谱补全任务对PTCA的可信度计算能力进行评测。实验结果表明,PTCA可以筛选出高可信度的三元组知识,并且在高噪声数据上的表现效果更好。2)设计了一种基于三元组上下文信息的知识评估方法TCA,通过知识表示学习结合三元组上下文信息(知识图谱内部关系路径信息以及外部与三元组中的实体相关的文本信息)对源于文本的三元组知识进行评估。分别在知识图谱噪声检测任务、知识图谱补全任务(实体链接预测任务)、三元组分类任务上对TCA的知识评估能力进行评测。实验结果表明,TCA具有很好的噪声处理能力以及知识可信度计算能力,并且对于低噪声数据的评估能力更强。3)设计了一种基于场景图的知识评估方法NMEG,利用图像信息、图像的上下文信息以及外部知识图谱信息对源于图像的三元组知识进行可信度评估。在关系分类任务、场景图分类任务、场景图生成任务上对NMEG的可信度计算能力进行评测。实验结果表明NMEG可以对三元组的可信度进行有效计算,从而得到质量更高的知识。