隨著計算機技術的發展，信息數據越來越多，如何從海量數據中提取對人們有價值的信息已經成為一個非常迫切的問題。由此產生了數據挖掘技術，它是一門新興的交叉學科，匯集了來自機器學習、模式識別、數據庫、統計學、人工智能等各領域的研究成果。聚類分析是數據挖掘中的一個重要研究領域。它在圖像處理、入侵檢測和生物信息學等方面有著極為重要的應用。數據挖掘是從大量數據中提取出可信、 新穎、 有效并能被人理解的模式的高級處理過程。 其目標是從數據庫中發現隱含的、 有意義的知識。

數據無處不在，且大數據能夠超越“物聯網”、“云計算”開創自己的時代，這與其自身的特征密不可分。

第一，種類多。隨著社會進步，傳感器的種類與日增多且社交網絡、智能設備被更多人認可，數據類型也相對增多。目前，數據除去傳統的關系數據還包括視頻、網頁、文檔、音頻以及郵件等尚未處理、不具備結構模式或者半結構模式的數據。

第二，高速流動。傳統的數據流動速度是指對數據擷取、存數及分析具有價值信息的速度。然而，大數據因為其數據量的巨大，快速變動的數據形成數據流的特點，傳統的處理方式已經無法處理這樣高速流動的數據，進而數據處理已經由tb級上升到pb級。

第三，數據量巨大。一般，大數據指的是超過10tb規模的數據量。而導致這種結果的原因有三，一是我們為能夠了解更多事物而不斷使用各類儀器，并存儲這些事物部分或者全部的數據;二是集成電路的成本降低使得很多儀器智能化發展，自行存儲數據;三是我們為能夠隨時傳遞信息而使用各類的通信工具，尤其是機器到機器傳遞方式的誕生更是導致了交流數據激增。

第四，低價值密度。雖然數據量不斷增長，但是這些數據中具有意義的信息卻沒有以相應比例進行增長，這會加大我們獲得需要信息的難度 。例如，“4v” 不僅代表數據量巨大，同時也代表數據分析將會更加復雜，更難達到要求的效率。

數據挖掘是大數據時代的關鍵技術，一般，數據挖掘的功能有兩類，即描述和預測。描述性挖掘用于展現集體數據的一般特性，而預測性挖掘用于推算處理數據，完成預測目的。數據玩具功能同目標數據的類型有關，有些功能適用于不同類型的數據，有些功能則只適用于某種特定數據。數據挖掘功能能夠讓人得知未知信息，提升數據價值，從而應用到了不同領域。

北京理工大學大數據搜索與挖掘實驗室張華平主任研發的nlpir大數據語義智能分析技術是滿足大數據挖掘對語法、詞法和語義的綜合應用。nlpir大數據語義智能分析平臺是根據中文數據挖掘的綜合需求,融合了網絡精準采集、自然語言理解、文本挖掘和語義搜索的研究成果,并針對互聯網內容處理的全技術鏈條的共享開發平臺。

nlpir大數據語義智能分析平臺主要有精準采集、文檔轉化、新詞發現、批量分詞、語言統計、文本聚類、文本分類、摘要實體、智能過濾、情感分析、文檔去重、全文檢索、編碼轉換等十余項功能模塊，平臺提供了客戶端工具，云服務與二次開發接口等多種產品使用形式。各個中間件api可以無縫地融合到客戶的各類復雜應用系統之中，可兼容windows，linux， android，maemo5, freebsd等不同操作系統平臺，可以供java，python，c，c#等各類開發語言使用。

在現今社會，數據挖掘技術已經可以被應用與所有的領域和行業中。在人們生活里的各個方面幾乎都可以用到數據挖掘技術數據挖掘技術不但給我們的日常生活帶來了巨大的改變和影響，并且這種影響還深深的改變著我們的生活方式。在各個領域的應用也會越來越廣泛和深入，相關的研究也會越來越全面和深入，綜合應用數據挖掘技術和人工智能技術，為各個行業提供更多幫助。