數(shù)據(jù)挖掘（Data Minging， DM）是指從大型數(shù)據(jù)庫(kù)中提取人們感興趣的知識(shí)，并且這些知識(shí)往往是隱含的，且包含有潛在應(yīng)用的價(jià)值。更準(zhǔn)確地說，數(shù)據(jù)挖掘就是從數(shù)據(jù)中抽取模式、關(guān)聯(lián)、變化、異常和有意義的結(jié)構(gòu)，數(shù)據(jù)挖掘的主要價(jià)值在于利用數(shù)據(jù)挖掘技術(shù)改善預(yù)言模型。廣義地講，數(shù)據(jù)挖掘是從巨大的數(shù)據(jù)體系或數(shù)據(jù)庫(kù)里提煉出人們感興趣的東西， 或者說從龐大的觀察數(shù)據(jù)集中提煉并分析出不能輕易察覺或者斷言的關(guān)系， 從而得到一個(gè)可以理解的、有用的結(jié)論。聚類作為一種典型的數(shù)據(jù)挖掘方法，一直以來都是人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)，被廣泛地應(yīng)用于人臉識(shí)別、股票分析、搜索引擎、生物信息學(xué)等各類領(lǐng)域當(dāng)中。聚類就是將樣本分配到不同的類的過程。一般地，要求在聚類的結(jié)果中，同一個(gè)類別中的對(duì)象要有較大的相似性，而不同類別的對(duì)象要有較大的相異性。聚類分析的目標(biāo)就是在相似的基礎(chǔ)上手機(jī)數(shù)據(jù)來進(jìn)行分類。聚類來源于很多學(xué)科領(lǐng)域，包括：數(shù)學(xué)、計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué)、生物學(xué)和經(jīng)濟(jì)學(xué)等。在不同的領(lǐng)域中， 都有適用于該領(lǐng)域的聚類技術(shù)， 并被用來衡量數(shù)據(jù)之間的相似性。