Los sistemas de recomendación pueden utilizar Datos Abiertos Vinculados (LOD) para superar algunos desafíos, como el problema del arranque en frío de los ítems, así como el problema de explicar la recomendación. Existen varias técnicas para explotar LOD en sistemas de recomendación; un enfoque, llamado Distancia Semántica de Datos Vinculados (LDSD), considera recursos cercanos para ser recomendados al calcular una distancia semántica entre recursos. Sin embargo, el enfoque LDSD tiene algunas desventajas, como su incapacidad para medir la distancia semántica entre recursos que no están directamente vinculados entre sí. En este artículo, primero proponemos otra variación del enfoque LDSD, llamada wtLDSD, al extender los cálculos de distancia indirecta para incluir el efecto de múltiples enlaces de diferentes propiedades dentro de LOD, priorizando las propiedades de los enlaces. A continuación, introducimos un enfoque que amplía la cobertura de los enfoques basados en LDSD más allá de los recursos que están a más de dos enlaces de distancia. Nuestros resultados experimentales muestran que los enfoques que proponemos mejoran la precisión de las recomendaciones basadas en LOD en comparación con nuestras líneas base. Además, los resultados muestran que la propagación del cálculo de distancia semántica para reflejar recursos más lejanos en el gráfico LOD amplía la cobertura de los sistemas de recomendación basados en LOD.