大数据时代数据的极大丰富为人们提供了更大的利用价值，但是数据的海量产生和新的特征也使人们面临的问题空前复杂化，呈现出如图2的特征：

割裂的多源异构数据 目前需要处理的数据是多源异构的，而且这些数据被物理地存放在不同的系统中。这些割裂的多源异构数据造成了各种数据孤岛，给大数据分析处理带来非常大的挑战，需要把这些割裂的数据整合到统一的系统中。

跨媒体、跨语言的关联 需要处理的数据有结构化数据、半结构化数据和非结构数据，这对数据关联的发现提出了挑战，尤其是图片、视频、音频数据与文本数据的关联。

数据规模与数据价值的矛盾 当下，数据越来越丰富，提供了更多有价值的信息，但数据的规模也越来越大，对已有的数据存储和处理方法提出了挑战，需要对融合的规模进行控制

实体和关系的动态演化 数据是动态变化的，实体和关系也是随时间不断演化的，这就增加实体和关系的判别难度，容易造成数据不一致。

知识的隐含性 企业经营决策中，除显示知识外还有隐式知识，而隐式关系往往比显示知识更重要。

大数据融合的任务是将结构化、半结构化、非结构化数据集中，形成表层知识，即知识资源；进而使隐性知识显性化，使表层知识上升为普适机理。数据融合迫切需要将多源数据动态提取、整合并且转化为知识资源，为知识融合奠定基础；而知识融合需要面向需求和服务，对知识和知识间的关系进行不同维度和粒度的理解，使知识具有可理解性和可领悟性，进而方便解释客观现象。

大数据价值链是一个“离散数据→集成化数据→知识理解→普适机理凝练→解释客观现象、回归自然”这样一条阶梯式循环过程，每一个链条是对大数据的一次价值提升。

我们可以通过上图来了解大数据融合的基本框架。数据融合负责将多源数据动态提取、整合并且转化为知识资源，为知识融合奠定基础，而知识融合负责对知识和知识间的关系进行不同粒度的理解，使知识具有不同层次的可理解性和可领悟性，进而方便解释客观现象。数据融合和知识融合不是孤立存在的，知识融合中获取的知识可以作为数据融合的参考因素辅助数据融合；而数据融合也不仅是为知识融合提供集成化数据，其中的一些方法同样对知识融合有借鉴作用。此外，还有2个贯穿整个大数据融合过程的操作，即数据溯源和动态演化，它们保证了大数据融合的与时俱进和可理解性。这种融合方式的优势在于通过双环互动、启发动态演化地逐步探索大数据融合问题，并且融合过程的每个步骤都是大数据价值的一次提升过程。

我们可以通过上图来了解大数据融合的基本框架。数据融合负责将多源数据动态提取、整合并且转化为知识资源，为知识融合奠 定基础，而知识融合负责对知识和知识间的关系进行不同粒度的理解，使知识具有不同层次的可理解性和可领悟性，进而方便解释客观现象。数据融合和知识融合不是孤立存在的，知识融合中获取的知识可以作为数据融合的参考因素辅助数据融合；而数据融合也不仅是为知识融合提供集成化数据，其中的一些方法同样对知识融合有借鉴作用。此外，还有2个贯穿整个大数据融合过程的操作 ，即数据溯源和动态演化，它们保证了大数据融合的与时俱进和可理解性。这种融合方式的优势在于通过双环互动、启发动态演化地逐步探索大数据融合问题，并且融合过程的每个步骤都是大数据价值的一次提升过程。