Los sistemas de recomendación son herramientas que ayudan a los usuarios en el proceso de toma de decisiones al elegir artículos que pueden ser relevantes para ellos entre una gran cantidad de otros artículos. Uno de los principales problemas de los sistemas de recomendación es el problema del arranque en frío, que ocurre cuando se añaden nuevos artículos o nuevos usuarios al sistema y, por lo tanto, no hay información previa sobre ellos. Este artículo presenta un conjunto de datos multi-fuente optimizado para el estudio y la mitigación del problema del arranque en frío. Este conjunto de datos contiene información sobre los usuarios, los artículos (películas) y calificaciones con alguna información contextual. El artículo también presenta un algoritmo impulsado por el comportamiento del usuario como ejemplo, utilizando el conjunto de datos introducido para crear recomendaciones en la situación de arranque en frío. Para crear estas recomendaciones, se ha propuesto un método mixto que utiliza filtrado colaborativo y clasificación de usuario-artículo. Los resultados muestran recomendaciones con alta precisión y demuestran que el conjunto de datos es un muy buen recurso para futuras investigaciones en el campo de los sistemas de recomendación en general y con el problema del arranque en frío en particular.