En esta era del big data, la cantidad de contenido de video ha aumentado drásticamente con una ampliación exponencial de los servicios de transmisión de video. Por lo tanto, se ha vuelto muy arduo para los usuarios finales buscar sus videos deseados. Por lo tanto, para lograr un agrupamiento preciso y robusto de la información, se utilizó un algoritmo híbrido para introducir un motor de recomendaciones con filtrado colaborativo utilizando Apache Spark y bibliotecas de aprendizaje automático (ML). En este estudio, implementamos un sistema de recomendación de películas basado en un enfoque de filtrado colaborativo utilizando el modelo de mínimos cuadrados alternantes (ALS) para predecir las películas mejor valoradas. Nuestro sistema propuesto utiliza los datos de búsqueda más recientes de un usuario con respecto a la categoría de películas y hace referencia a esto para instruir al motor de recomendaciones, creando así una lista de predicciones para las mejores calificaciones. El estudio propuesto utilizó un enfoque basado en modelos de factorización de matrices, el algoritmo ALS junto con una técnica de filtrado colaborativo, que resolvió los problemas de inicio en frío, dispersión y escalabilidad. En particular, realizamos un análisis experimental y obtuvimos con éxito errores cuadráticos medios mínimos (oRMSEs) de 0,8959 a 0,97613, aproximadamente. Además, nuestro sistema de recomendación de películas propuesto mostró una precisión del 97% y predijo las 1000 mejores calificaciones para películas.