Los sistemas de recomendación personalizados se utilizan no solo en empresas de comercio electrónico, sino también en diversas aplicaciones web. Estos sistemas utilizan convencionalmente enfoques de filtrado colaborativo (CF) y de filtrado basado en contenido. CF opera utilizando métodos basados en memoria o basados en modelos; ambos métodos utilizan una matriz usuario-ítem que considera las preferencias de los usuarios como ítems. Esta matriz denota información sobre las preferencias de los usuarios, que se refiere a las calificaciones de los usuarios para los ítems. El método basado en modelos explota el hecho de que la matriz de entrada está factorizada. Los enfoques de CF pueden proporcionar resultados de recomendación personalizados de manera efectiva a los usuarios; sin embargo, surgen problemas de inicio en frío porque ambos métodos dependen de las calificaciones de los usuarios para los ítems para predecir las preferencias de los usuarios. Propusimos un enfoque para aliviar el problema de inicio en frío junto con una metodología para utilizar blockchain que puede mejorar la fiabilidad de los procesos de las recomendaciones. Intentamos predecir una calificación promedio para un nuevo ítem para aliviar los problemas de inicio en frío del lado del ítem. Primero, aplicamos el concepto de word2vec, tratando el historial de selección de ítems de cada usuario como una oración. Luego, derivamos genre2Vec basado en la técnica skip-gram y predijimos una calificación promedio para un nuevo ítem utilizando los vectores y las calificaciones de categoría. Demostramos experimentalmente que nuestro enfoque podría generar resultados más precisos de lo que podrían los enfoques de CF convencionales. También diseñamos los procesos de la recomendación basados en el concepto de blockchain abordando el contrato inteligente. Basándonos en nuestro enfoque, propusimos un sistema que puede garantizar la fiabilidad y aliviar los problemas de inicio en frío en los sistemas de recomendación.