El vino es la segunda bebida alcohólica más popular en el mundo después de la cerveza. Con el auge del comercio electrónico, los sistemas de recomendación se han convertido en un factor muy importante para el éxito de los negocios. Los sistemas de recomendación analizan metadatos para predecir si, por ejemplo, un usuario recomendará un producto. Los metadatos consisten principalmente en antiguas reseñas o tráfico web del mismo usuario. Por esta razón, investigamos qué sucedería si la información analizada por un sistema de recomendación fuera insuficiente. En este documento, exploramos los efectos de una nueva ontología del vino en un sistema de recomendación. Creamos nuestra propia ontología del vino y luego realizamos dos conjuntos de pruebas para cada conjunto de datos. En ambos conjuntos de pruebas, aplicamos cuatro algoritmos de agrupamiento de aprendizaje automático que tenían el objetivo de predecir si un usuario recomienda un producto de vino. La única diferencia entre cada conjunto de pruebas son los atributos contenidos en el conjunto de datos. En el primer conjunto de pruebas, los conjuntos de datos fueron influenciados por la ontología, y en el segundo conjunto, la única información sobre un producto de vino es su nombre. Comparamos los resultados de los dos conjuntos de pruebas y observamos que hubo un aumento significativo en la precisión de clasificación al usar un conjunto de datos con la ontología propuesta. Demostramos la aplicabilidad general de la metodología a otros casos, aplicando nuestra propuesta a un conjunto de datos de reseñas de productos de Amazon.