通常，用户通过在线健康社区提问一个问题后，面临着如何从众多回复中采纳一个最满意回复的问题。同时，如何从海量的问答数据中进行有用信息的识别，对于健康社区的知识管理，社区内的知识搜索以及有用信息推荐等具有重要意义。 本书完成以下四方面的工作:（1）针对海量的医患问答数据，构建深度学习模型，研究在线健康社区中疾病、症状和检查之间的关系抽取问题；（2）针对海量的医患问答数据，对疾病、药物和药物效果进行实体识别，在实体识别的基础上，进行疾病、药物和药物效果之间的关系抽取，在关系抽取的基础上，研究知识图谱的构建技术，构建一个基于在线健康社区的知识图谱框架；（3）立足于提高医患问答健康社区中用户满意度，加强用户信任的问题，研究在线健康社区中用户采纳一个最满意医生回复的知识行为的影响因素，基于知识采纳的双加工理论，开发了一个概念模型，采用文本分析技术，从论据质量和信息源的可信度两个方面提取变量，分析用户的知识采纳行为。（4）在线健康社区虽然存在丰富庞大的信息，但是用户却很难从复杂海量的数据中直接识别出最有用的信息。针对各个在线健康平台都在寻求一种机制帮助用户找到相关且有用的信息满足用户需求的问题，从问答健康社区中用户采纳和点赞的知识行为着手，研究在线健康社区医生回复的有用性，从设计科学的思维出发，以知识采纳理论作为研究的核心理论，通过采用四种机器学习方法进行识别在线健康社区中医生回复信息的有用性，并同当前流行的深度学习技术以及前人的经典研究模型进行了对比，证实了本研究框架的优势。