数据挖掘作为大数据的应用方向之一，终极目的是挖掘潜在用户需求，服务于用户。如今已经进入了数据爆炸的年代，web2.0的发展，web已经成为数据共享平台，在海量数据中，如何让人们寻找自己想要的信息变得越来越困难。这种情况下，搜索引擎（baidu 、google等）解决了用户的直接需求，通过搜索关键词可以找到自己想要的信息，但搜索引擎并不能够完全满足用户发现信息的需求，因为在某些情况下，用户并不明确自己的需求，或者他们很难用简单的关键词搜索来表达，又或者他们更需要符合自己口味或偏好的结果，因此，出现了推荐系统，与搜索引擎相对应，我们称之为推荐引擎。
（一）关联推荐
关联规则的挖掘主要是挖掘一些数据的依赖关系，通过关联规则的挖掘，我们可以找到哪些物品经常被同时购买，或者用户购买了一些物品后通常会购买哪些其他的物品，当我们挖掘出这些关联规则之后，我们可以基于这些规则给用户进行推荐。
关联推荐可以帮助用户在满足某一类需求之后发现其他的潜在需求，从而带动网站其他产品的销售，关联推荐在营销上分为两种：向上营销和交叉营销。
向上营销是同类产品线或升级产品的推荐，交叉营销是基于相似但不同类产品的推荐。
现在我们要知道购买ipod的用户还购买最多的是哪个产品，以便我们更好的满足用户潜在需求以及促进网站更多销售，这需要从用户购物数据中寻找购买ipod产品基础上，又购买了其他某个产品的人数所占的比例，当这个比例达到了预设的目标水平时，就可以认为这两个产品是存在关联的，我们就可以向购买了ipod的用户但还没有购买商品b的用户推荐商品b。
关联规则中有两个关键指标：支持度（support）和信任度（confidence）以衡量商品之间是否值得关联。
支持度=购买a和b商品（集合g）的人数/所有购买过商品（集合u）的人数
置信度=购买a和b商品（集合g）的人数/购买a商品（集合a）的人数
商品a、b是否值得关联销售，网站需要设置一个最小支持度和最小信任度，当支持度、信任度达到一定值时就可以判定商品a、b可以关联销售。在用户的购买行为中，用户a不仅购买了商品b,还有可能购买商品c、d、e等一些列产品。因此，只有置信度大于最小置信度的这些商品组合才是有关联的，是值得推荐的，也可以认为关联购买率最高的宝贝是值得关联推荐的。
（二）基于内容的推荐
基于内容的推荐核心思想是根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的历史偏好，推荐给用户相似的物品。
图给出了基于内容推荐的一个例子，书籍推荐系统。首先我们需要对书籍的元数据有一个建模，然后通过书籍的元数据发现书籍之间的相似度，因为类型都是“武侠、爱情”，书籍a和c被认为是相关书籍。除了书籍的类型，为实现更精准的推荐，我们还需考虑书籍的作者等信息最后实现推荐，对于用户a，他喜欢看书籍 a，那么系统就可以给他推荐类似的书籍c。
基于内容的推荐机制的好处在于它能很好的建模用户的口味，能提供更加精确的推荐。但它也存在问题：仅仅依物品本身的元素特征，没有考虑到人对物品的态度，并且需要基于用户以往的历史偏好做出推荐，这对于新用户有“冷启动”的问题。
（三）协同过滤推荐系统
根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或者是发现用户的相关性，然后再基于这些关联性进行推荐。
1、基于用户的协同过滤推荐系统
根据所有用户对物品或者信息的偏好，发现与当前用户口味和偏好相似的“邻居”用户群，然后，基于这 k 个邻居的历史偏好信息，为当前用户进行推荐。
基本原理：
假设四名用户a、b、c、d对c、d、e、f四本书的评分如下：
a=（3，4，4，4，5）
b=(4，4，2，5，3)
c=(4，5，3，3，3)
d=(3，4，5，2，2)
用户b、c对四本书的评分很接近，我们可以推断，用户b、c具有相同或相似的口味和便好，当用户b购买了书籍g时，我们可以向用户c推荐书籍g。
这种推荐的前提是基于大量的用户参与，一旦缺乏用户对物品的评价，那么这种推荐就失效，并且如果数据较少，推荐本身是不准确的。
2、基于项目的协同过滤推荐系统
根据所有用户对物品或者信息的偏好，发现商品和商品之间的相似度，然后根据用户的
历史偏好信息，将类似的商品推荐给用户。
假设用户a喜欢商品a、商品c，用户b喜欢商品a、商品b和商品c，用户c喜欢商品a，从这些用户的历史偏好可以分析出商品a和商品c比较类似，喜欢商品a的人都喜欢商品c，基于这个数据可以推断用户c很有可能也喜欢商品c，所以系统会将商品c推荐给用户c。
要实现企业这种数据的挖掘，前提是要获得大量的数据, 数据要足够的大才能够找出其中的规律，才具有说服力，而数据的获取成为最基本的一个保证。因此，无论是传统企业还是新兴电商企业，it技术是企业必须重视的一个环节，忽视it技术而实施大数据运营是舍本逐末之举。