La información de etiquetas sociales ha sido utilizada por sistemas de recomendación para abordar el problema de la escasez de datos. Recientemente, las relaciones entre usuarios/artículos y etiquetas son consideradas por la mayoría de los métodos de recomendación inducidos por etiquetas. Sin embargo, la información de etiquetas escasa representa un desafío para la mayoría de los métodos existentes. En este artículo, proponemos una técnica de Factorización de Matrices Inducida por Etiquetas Extendidas para sistemas de recomendación, que explota las correlaciones entre etiquetas derivadas de la co-ocurrencia de etiquetas para mejorar el rendimiento de los sistemas de recomendación, incluso en el caso de información de etiquetas escasa. El método propuesto integra la similitud acoplada entre etiquetas, que se calcula mediante las co-ocurrencias de etiquetas en los mismos artículos, para extender las etiquetas de cada artículo. Finalmente, la similitud entre artículos basada en etiquetas extendidas se utiliza como un término de regularización de relaciones entre artículos para restringir el proceso de factorización de matrices. Se adoptan el conjunto de datos MovieLens y el conjunto de datos Book-Crossing para evaluar el rendimiento del algoritmo propuesto. Los resultados de los experimentos muestran que el método propuesto puede aliviar el impacto de la escasez de etiquetas y mejorar el rendimiento de los sistemas de recomendación.