Los sistemas de recomendación personalizados juegan un papel crucial en ayudar a los usuarios a descubrir elementos de interés a partir de grandes cantidades de información en diversos dominios. Sin embargo, desarrollar sistemas de recomendación personalizados precisos sigue siendo un desafío debido a la necesidad de equilibrar las arquitecturas de los modelos, las combinaciones de características de entrada y la fusión de fuentes de datos heterogéneas. Este estudio investiga los impactos de estos factores en el rendimiento de las recomendaciones utilizando los conjuntos de datos de MovieLens y Recomendación de Libros. Se evaluaron seis modelos, incluidos redes neuronales de tarea única, aprendizaje de múltiples tareas y líneas base, con varias combinaciones de características de entrada utilizando el Error Cuadrático Medio (RMSE) y el Error Absoluto Medio (MAE). El enfoque de aprendizaje de múltiples tareas logró un RMSE y un MAE significativamente más bajos al aprovechar eficazmente fuentes de datos heterogéneas para recomendaciones personalizadas a través de una arquitectura de red neuronal compartida. Además, la incorporación de datos de usuarios y datos de contenido mejoró progresivamente el rendimiento en comparación con el uso solo de identificadores de elementos. Los hallazgos destacan la importancia de arquitecturas de modelos avanzadas y la fusión de fuentes de datos heterogéneas para recomendaciones de alta calidad, proporcionando valiosos conocimientos para diseñar sistemas de recomendación efectivos en diversos dominios.