La creciente demanda de dietas personalizadas para mascotas destaca las deficiencias de los alimentos comerciales para perros diseñados para todas las razas, especialmente en lo que respecta a abordar enfermedades específicas de raza, trastornos metabólicos y riesgos para la salud. Esta investigación presenta el desarrollo y la evaluación de un sistema híbrido para formular recetas de comida húmeda para caninos. El sistema combina datos sobre ingredientes, alimentos veterinarios y enfermedades relacionadas con las razas; la arquitectura incluye un módulo de recomendación para la selección de ingredientes y un bloque de programación lineal para la optimización de recetas, considerando las restricciones nutricionales veterinarias. La evaluación del sistema incluyó la clasificación automática de alimentos por especialización, el análisis visual de la agrupación de recetas y la comparación de fórmulas obtenidas por diferentes modelos. La precisión promedio de recuperación de etiquetas fue del 85.4% para TF-IDF y del 88.2% para el modelo E5. Una comparación de métodos de extracción de ingredientes mostró que el aprendizaje automático produce recetas más estables, mientras que el enfoque estadístico proporciona una mayor variabilidad. El sistema desarrollado demuestra potencial para automatizar la creación de recetas, completar datos faltantes y desarrollar plataformas de apoyo a la decisión veterinaria destinadas a la selección de dietas personalizadas basadas en las necesidades fisiológicas de los animales.