数据集：
1.Netflix
描述：包含Netflix上48万多个随机选取的匿名用户，对于1万7千多部电影的1兆多个电影评分
时间：1988.10~2005.11
内容：
包括training set，movie titles，probe set，qualifying set等文件。
Trainning set包含4个特征值：电影ID、用户ID、评分（1~5）、日期；
Movie titles包含3个特征值：电影ID、上映年份、电影标题；
Probe set用于测试，包含2个特征值;电影ID、用户ID。
引用的论文：
[1]Matrix factorization techniques for recommender systems.2009
[2]Modeling relationships at multiple scales to improve accuracy of large recommender systems.2007
[3]Factorization meets the neighborhood a multifaceted collaborative filtering model
2.MovieLens
描述：按大小分成3部分
100k：943个用户对于1682电影的100,000个评分；每个用户至少评级20部电影；包含用户的人口统计信息（年龄，性别，职业，邮编）
时间:1997.9.19~1998.4.22
包含u.data、u.info、u.item、u.genre、u.user、u.occupation几个文件
U.data: 用户id 、项目 id 、 评分、 时间戳
U.info: 用户数量、项目数量、评分数量
U.item: 电影id、电影标题、上映日期、光碟上映日期、IMDb URL、流派
U.genre: 流派
U.user: 用户id、年龄、性别、职位、邮编
1M： 6,040个用户对于3,900部电影的1,000,209个评分
时间：2000年
包含ratings.dat、users.dat、movies.dat
Ratings.dat: 用户id、电影id、评分（1~5）、时间标签
Users.dat： 性别、年龄、职位、邮编
Movies.dat: 电影id、标题、流派
100M：71567个用户对于10681部电影的10000054个评分
包含 movies.dat, ratings.dat 和 tags.dat.
Tags.dat:用户id、电影id、标签（tag）、时间戳
3.LDOS-CoMoDa
(1)基本情况
（2）统计情况：
用户年龄段大多数集中在16至35岁之间；
大多数电影得到2至3个评分；
文件每一行结构如下：
UserID,itemID,rating,age,sex,city,country,time,daytype,season,location,weather,social,endEmo,dominantEmo,mood,physical,desicion,interaction,director,
movieCountry,movieLanguage,movieYear,genre1,genre2,genre3,actor1,actor2,actor3,budget
来源：http://212.235.187.145/spletnastran/raziskave/um/comoda/comoda.php
每列的数值范围：
LDOS - CoMoDa dataset_____________________
Data fields:versionDate: date of the dataset versionuserID (15 - 200, some missing)itemID (1 -4138, some missing)rating (1-5)user's ageuser's sex (1=male, 2= female)user's cityuser's countrytime (1-4)daytype (1-3)season (1-4)location (1-3) weather (1-5)social (1-7) endEmo(1-7)dominantEmo (1-7) mood (1-3) physical (1-2) decision (1-2) interaction (1-2)movie directormovie's countrymovie's languagemovie's yeargenre1genre2genre3actor1actor2actor3movie's budget
上下文属性：_______________________
Context variables:time : Morning, Afternoon, Evening, Nightdaytype : Working day, Weekend, Holidayseason : Spring, Summer, Autumn, Winterlocation : Home, Public place, Friend's houseweather : Sunny / clear, Rainy, Stormy, Snowy, Cloudysocial : Alone, My partner, Friends, Colleagues, Parents, Public, My familyendEmo : Sad, Happy, Scared, Surprised, Angry, Disgusted, NeutraldominantEmo : Sad, Happy, Scared, Surprised, Angry, Disgusted, Neutral mood : Positive, Neutral, Negativephysical : Healthy, Ill decision : User decided which movie to watch, User was given a movieinteraction : first interaction with a movie, n-th interaction with a movie Context values in the database corespond to this order.(for example: daytype-> 1 = Working day, 2 = Weekend, 3 = Holiday
_______________________
Missing value:-1
4.AdomMovie
