Los sistemas de recomendación tienen como objetivo prever la clasificación, intereses y preferencias de los usuarios en productos específicos y recomendarlos a un usuario para su compra. El filtrado colaborativo es el enfoque más popular, donde el comportamiento de compra pasado del usuario constituye la retroalimentación del usuario. Uno de los problemas más desafiantes en el filtrado colaborativo es manejar a los usuarios cuyo comportamiento de compra de artículos previo es desconocido (por ejemplo, nuevos usuarios) o productos para los cuales las interacciones del usuario no están disponibles (por ejemplo, nuevos productos). En este trabajo, abordamos el problema de inicio en frío en los sistemas de recomendación basados en patrones frecuentes que son altamente frecuentes en un conjunto de usuarios, pero menos frecuentes o poco frecuentes en otros conjuntos de usuarios. Dichos patrones frecuentes discriminantes pueden distinguir un conjunto de usuarios objetivo de todos los demás conjuntos. La metodología propuesta primero forma diferentes grupos de usuarios antiguos y luego descubre patrones frecuentes discriminantes para cada uno de esos grupos de usuarios diferentes y finalmente explota estos últimos para alucinar el comportamiento de compra de los nuevos usuarios. También presentamos resultados empíricos para demostrar la eficiencia y precisión de la metodología propuesta.