En ciertas plataformas de comercio electrónico recién establecidas o de nicho, las interacciones entre usuarios y artículos son a menudo extremadamente escasas debido a bases de usuarios limitadas o líneas de productos especializadas, lo que plantea obstáculos significativos para recomendaciones personalizadas precisas. Para abordar estos desafíos, este documento propone un enfoque de recomendación mejorado basado en un modelo de factores latentes. Al aprovechar la factorización para descubrir las características ocultas de los usuarios y los artículos e incorporar tanto datos de comportamiento del usuario como información sobre atributos de los artículos, se construye un espacio semántico latente multidimensional para capturar de manera más efectiva las relaciones subyacentes entre las preferencias de los usuarios y las propiedades de los artículos. El método implica preprocesamiento de datos, construcción del modelo, vectorización de usuarios y artículos, y generación de recomendaciones basadas en similitud semántica. Para la validación empírica, empleamos un conjunto de datos del mundo real recopilado de una plataforma de comercio electrónico, que comprende 4645 calificaciones de 3445 usuarios en 277 artículos en nueve categorías distintas. Los resultados experimentales demuestran que, en comparación con los métodos convencionales de filtrado colaborativo, este enfoque logra una precisión y un recall superiores incluso en entornos altamente escasos, mostrando una mayor resiliencia en condiciones de baja densidad. Estos hallazgos ofrecen perspectivas objetivas y factibles para avanzar en las técnicas de recomendación personalizadas en plataformas de comercio electrónico recién establecidas o de nicho.