Este artículo presenta un método novedoso llamado AcoRec, que emplea una versión mejorada de la Optimización Continua de Colonias de Hormigas para el ajuste de hiperparámetros e integra un modelo no determinista para generar listas de recomendaciones diversas. AcoRec está diseñado para usuarios de inicio en frío y recomendaciones de elementos de larga cola aprovechando datos implícitos de técnicas de filtrado colaborativo. La Optimización Continua de Colonias de Hormigas es revisitada con la conveniencia y flexibilidad de métodos sólidos de aprendizaje profundo y se extiende dentro del modelo AcoRec. El enfoque calcula variaciones estocásticas de los valores de probabilidad de los elementos basados en las predicciones iniciales derivadas de un modelo de similitud de elementos seleccionado. La estructura del modelo AcoRec permite el manejo eficiente de datos de alta dimensionalidad manteniendo un equilibrio efectivo entre diversidad y alto recuerdo, lo que conduce a listas de recomendaciones que son variadas y altamente relevantes para los gustos del usuario. Nuestros resultados demuestran que AcoRec supera a los métodos existentes de última generación, incluidos dos modelos de caminata aleatoria, un enfoque basado en grafos, un conocido modelo de autoencoder básico, un modelo basado en ACO y modelos de referencia con medidas de similitud relacionadas, en varios escenarios de evaluación. Estas evaluaciones utilizan métricas conocidas para evaluar la calidad de las listas de recomendaciones principales-N, utilizando conjuntos de datos populares que incluyen MovieLens, Pinterest y Netflix.