A pesar de años de evolución de los sistemas de recomendación, mejorar la precisión de predicción sigue siendo uno de los problemas fundamentales entre investigadores e industria. Es común utilizar información adicional para reforzar la precisión de los sistemas de recomendación. En este trabajo, nos centramos en utilizar categorías de elementos, específicamente géneros de películas, para mejorar la precisión de predicción, así como la cobertura, la precisión y la recuperación. Derivamos el gusto del usuario por un elemento utilizando las calificaciones expresadas. De manera similar, utilizando las calificaciones colectivas dadas a un elemento, identificamos cuánto pertenece cada elemento a cierto género. Estos dos vectores se combinan para obtener una matriz de peso usuario-elemento. En contraste con la matriz de peso basada en similitud en el filtrado colaborativo basado en memoria, utilizamos el peso usuario-elemento para hacer predicciones. Los pesos usuario-elemento se pueden utilizar para explicar a los usuarios por qué se han recomendado ciertos elementos. Evaluamos nuestro método propuesto utilizando tres conjuntos de datos del mundo real. El modelo propuesto funciona significativamente mejor que los métodos de referencia. Además, utilizamos la matriz de peso usuario-elemento para aliviar el problema de dispersión asociado con la similitud basada en correlación. Además, el modelo propuesto tiene una mejor complejidad computacional para hacer predicciones que el método de vecinos más cercanos (kNN).