Recibir una recomendación para un cierto artículo o un lugar para visitar es ahora una experiencia común. Sin embargo, la cuestión de la confiabilidad con respecto a los artículos/lugares recomendados sigue siendo una de las principales preocupaciones. En este documento, presentamos una implementación del clasificador Naive Bayes, una de las clases más poderosas de algoritmos de Aprendizaje Automático e Inteligencia Artificial que existen, para mejorar la precisión de la recomendación y aumentar la confianza en la confiabilidad de los usuarios y artículos dentro de una red. Nuestro enfoque se ha demostrado como uno factible, ya que alcanzó una precisión de predicción del 89%, con una confianza de aproximadamente 0.89, cuando se aplicó a un conjunto de datos en línea de una red social. Los algoritmos de Naive Bayes, en general, se utilizan ampliamente en sistemas de recomendación porque son rápidos y fáciles de implementar. Sin embargo, el requisito de que los predictores sean independientes sigue siendo un desafío debido a que, en escenarios de la vida real, los predictores suelen ser dependientes. Por lo tanto, en nuestro enfoque utilizamos un conjunto de datos de entrenamiento más grande; por lo tanto, el vector de respuesta tiene una mayor cantidad de selección, lo que permite una mayor precisión en la determinación.