Aunque los enfoques basados en modelos de matriz para filtrado colaborativo (CF), como los modelos de factores latentes, logran una buena precisión en la predicción de calificaciones de reseñas, aún enfrentan problemas de escasez de datos. Muchos estudios recientes han explotado la información del texto de las reseñas para mejorar el rendimiento de las predicciones. Sin embargo, el contenido de las reseñas que utilizan suele estar a nivel de texto de grano grueso o a nivel de oración. En este documento, proponemos un modelo conjunto que incorpora información del texto de las reseñas con la factorización de matrices para la predicción de calificaciones de reseñas. En primer lugar, adoptamos un método de extracción de aspectos y proponemos un algoritmo simple y práctico para representar la reseña por aspectos y sentimientos. Luego, proponemos dos medidas de similitud: similitud de usuario basada en aspectos y similitud de producto basada en aspectos. Finalmente, las medidas de similitud de usuario y producto basadas en aspectos se incorporan en una factorización de matrices para construir un modelo conjunto para la predicción de calificaciones. Con esto, nuestro modelo puede aliviar el problema de la escasez de datos y obtener interpretabilidad para la recomendación. Realizamos experimentos en dos conjuntos de datos. Los resultados experimentales demuestran la efectividad del modelo propuesto.