En la era de la vasta información, los individuos están inmersos en opciones al comprar bienes y servicios. Los sistemas de recomendación (RS) han surgido como herramientas vitales para navegar por estas opciones en exceso. Sin embargo, estos sistemas enfrentan desafíos como la escasez de datos, lo que afecta su efectividad. Este artículo propone un enfoque novedoso para abordar este problema y mejorar el rendimiento de los RS. Al integrar datos demográficos del usuario, agrupamiento de descomposición de valores singulares (SVD) y similitud semántica en el filtrado colaborativo (CF), presentamos el método UDIS. Este método amalgama cuatro tipos de predicción: CF basado en el usuario (U), basado en similitud demográfica (D), CF basado en el ítem (I) y basado en similitud semántica (S). UDIS genera predicciones separadas para cada categoría y evalúa cuatro técnicas de fusión diferentes: el promedio, máximo, suma ponderada y métodos de Shambour, para integrar estas predicciones. Entre estos, el método del promedio resultó ser el más efectivo, ofreciendo un enfoque equilibrado que mejoró significativamente la precisión y la exactitud en el conjunto de datos de MovieLens en comparación con otros métodos.