Este artículo se centra en el problema del inicio en frío de nuevos usuarios en el contexto de los sistemas de recomendación. Los nuevos usuarios que no reciben recomendaciones pertinentes pueden abandonar el sistema. Para hacer frente a este problema, utilizamos técnicas de aprendizaje activo. Estos métodos involucran a los nuevos usuarios para interactuar con el sistema presentándoles un cuestionario que tiene como objetivo entender sus preferencias respecto a los artículos relacionados. En este artículo, proponemos una técnica de aprendizaje activo que explota los intereses de usuarios anteriores y las predicciones de usuarios anteriores para identificar las mejores preguntas que hacer. Nuestra técnica logra un mejor rendimiento en términos de precisión (RMSE), lo que permite aprender las preferencias de los usuarios con menos preguntas. Las experimentaciones se llevaron a cabo en un conjunto de datos pequeño y público para demostrar la aplicabilidad en el manejo de problemas de inicio en frío.