Los sistemas recomendadores conversacionales (CRSs) han captado cada vez más atención por su capacidad de proporcionar recomendaciones personalizadas a través de interacciones en lenguaje natural. Aunque los grandes modelos de lenguaje (LLMs) han demostrado potencial en sistemas de recomendación debido a su superior comprensión del lenguaje y capacidades de razonamiento, extraer y utilizar las preferencias implícitas de los usuarios en conversaciones sigue siendo un desafío formidable. Este artículo propone un método que aprovecha los LLMs para extraer preferencias implícitas e incorporarlas explícitamente en el proceso de recomendación. Inicialmente, los LLMs identifican las preferencias implícitas de los usuarios en las conversaciones, las cuales luego se refinan en valores numéricos detallados utilizando un clasificador multi-etiqueta basado en BERT para mejorar la precisión de las recomendaciones. El enfoque propuesto se valida a través de experimentos en tres conjuntos de datos completos: el Conjunto de Datos de Películas de Reddit (8413 diálogos), Inspired (825 diálogos) y ReDial (2311 diálogos). Los resultados muestran que nuestro enfoque supera considerablemente a los métodos tradicionales de CRS, logrando una mejora del 23.3% en Recall@20 en el conjunto de datos de ReDial y una mejora promedio del 7.2% en la precisión de las recomendaciones en todos los conjuntos de datos con GPT-3.5-turbo y GPT-4. Estos hallazgos resaltan el potencial de utilizar LLMs para extraer y utilizar información conversacional implícita, mejorando efectivamente la calidad de las recomendaciones en los CRSs.