大数据时代的到来，标志着信息技术已经跨越了数字化与网络化阶段，进入智能化处理阶段。由此引发的一个新的挑战就是知识的碎片化问题，表现为与特定主题相关的知识以文本、图像、视频、音频、图、网页等多模态跨模态的形式分散在多个数据源中，呈现出位置分散、模态多样、结构无序、内容片面、动态依赖的特点，由此造成日趋严重的“学习迷航、认知过载”和“只见树木、不见森林”等问题，成为构建智慧化知识密集型应用的一个瓶颈问题。因此，如何从多源、异质、时变的大数据中分析挖掘碎片化知识并融合成为知识图谱，是提升知识可用性和系统性的基础性关键问题，也是大数据、人工智能、知识自动化等领域面临的共性难题。为此，《计算机研究与发展》推出“碎片化知识融合与应用”专题，介绍在此新领域中的实际案例，交流学术思想和研究成果，促进碎片化知识融合与应用的研究与发展。本期专题得到同行的广泛关注，通过公开征文收到15篇高质量投稿稿件，这些论文围绕不同应用领域阐述了碎片化知识融合与应用的研究成果，展现出大数据挖掘、机器学习、深度学习、知识图谱等方法在破解碎片化知识融合与应用难题方面取得的最新进展和前沿趋势。本专题的审稿严格按照期刊审稿的要求进行，特邀编委先后邀请了二十余位相关领域的专家参与评审，历经初审、复审、终审等阶段，最终遴选出3篇高质量的论文入选本专题。内容涵盖了医疗知识图谱、视觉问答系统等应用，在一定程度上反映了当前国内学者在碎片化知识融合的代表性应用。

随着医疗大数据时代的到来，知识互联受到了广泛的关注.如何从海量的数据中提取有用的医学知识，是医疗大数据分析的关键.知识图谱技术提供了一种从海量文本和图像中抽取结构化知识的手段，知识图谱与大数据技术、深度学习技术相结合，正在成为推动人工智能发展的核心驱动力.知识图谱技术在医疗领域拥有广阔的应用前景，该技术在医疗领域的应用研究将会在解决优质医疗资源供给不足和医疗服务需求持续增加的矛盾中产生重要的作用.目前，针对医学知识图谱的研究还处于探索阶段，现有知识图谱技术在医疗领域普遍存在效率低、限制多、拓展性差等问题.首先针对医疗领域大数据专业性强、结构复杂等特点，对医学知识图谱架构和构建技术进行了全面剖析;其次，分别针对医学知识图谱中知识表示、知识抽取、知识融合和知识推理这4个模块的关键技术和研究进展进行综述，并对这些技术进行实验分析与比较.此外，介绍了医学知识图谱在临床决策支持、医疗智能语义检索、医疗问答等医疗服务中的应用现状.最后对当前研究存在的问题与挑战进行了讨论和分析，并对其发展前景进行了展望.

大量结构无序、内容片面的碎片化信息以文本、图像、视频、网页等不同模态的形式，高度分散存储在不同数据源中，现有的研究通过构建视觉问答系统(visual question answering, VQA)，实现对多模态碎片化信息的提取、表达和理解.视觉问答任务给定与图像相关的一个问题，推理相应的答案.在视觉问答任务的基本背景下，以设计出完备的图像碎片化信息问答的框架与算法为目标，重点研究包括图像特征提取、问题文本特征提取、多模态特征融合和答案推理的模型与算法.构建深度神经网络模型提取用于表示图像与问题信息的特征，结合注意力机制与变分推断方法关联图像与问题2种模态特征并推理答案.实验结果表明：该模型能够有效提取和理解多模态碎片化信息，并提高视觉问答任务的准确率.

利用群体智慧原理，将多个相互独立的聚类算法的结果进行聚合，将显著提高聚类结果的准确性.基于群体智慧的簇连接聚类集成算法，首先使用群体智慧理论的独立性、分散性、多样性原则引导个体聚类结果的生成，然后提出基于连接三元组的聚类集成算法对个体聚类结果进行分组聚合，将分组聚合的结果再次进行聚合得到最终的聚类结果.该算法的优点包括:1)通过簇的分组和权重调整，避免了对基聚类生成的簇进行选择，有利于充分利用已生成簇的信息;2)采用连接三元组算法计算数据之间的相似性，可以充分挖掘数据点之间的关系.对不同数据集的实验研究表明：该算法相对传统的集成聚类算法以及群体智慧与机器学习相结合的集成聚类算法，可以进一步提高集成聚类结果的准确性.