Hoy en día, las personas se comunican con frecuencia a través de interacciones e intercambian conocimientos en la web social en varios formatos. Las conexiones sociales han mejorado sustancialmente con la aparición de plataformas de redes sociales. Grandes volúmenes de datos han sido generados por la expansión de las redes sociales, y muchas personas las utilizan a diario. Por lo tanto, uno de los problemas actuales es facilitar la búsqueda de amigos adecuados para un usuario en particular. A pesar del gran éxito del filtrado colaborativo, la precisión y la dispersión siguen siendo obstáculos significativos, especialmente en el sector de las redes sociales, que ha experimentado un crecimiento asombroso y tiene una gran cantidad de usuarios. Las conexiones sociales han mejorado sustancialmente con la aparición de plataformas de medios sociales. En este trabajo, se propone una metodología de filtrado colaborativo social y semántico para recomendaciones personalizadas en el contexto de las redes sociales. Un nuevo enfoque de filtrado colaborativo híbrido (HCoF) amalgama las sugerencias sociales y semánticas. Se emplean dos estrategias de clasificación para mejorar el rendimiento de la recomendación a una tasa alta. Inicialmente, se aplica el algoritmo incremental K-means a todos los usuarios, y luego el algoritmo KNN para los nuevos usuarios. La precisión media de 0,503 obtenida por la recomendación de HCoF con información semántica y social resulta en una estrategia efectiva de mejora del filtrado colaborativo para recomendaciones de amigos en redes sociales. Los hallazgos de la evaluación mostraron que el enfoque propuesto mejora la precisión de las recomendaciones al mismo tiempo que resuelve los problemas de dispersión y de inicio en frío.