Con el desarrollo de la Web, los usuarios pasan más tiempo accediendo a la información que buscan. Como resultado, han surgido sistemas de recomendación para proporcionar a los usuarios contenidos preferidos filtrando la información abundante, junto con proporcionar medios para exponer los resultados de búsqueda a los usuarios de manera más efectiva. Estos sistemas de recomendación operan en función de las reacciones de los usuarios a los elementos o a las diversas características de usuario o elemento. Se sabe que los resultados de recomendación basados en conjuntos de datos dispersos son menos confiables porque los sistemas de recomendación operan según las respuestas de los usuarios. Por lo tanto, proponemos un método para mejorar la dispersión de los datos y aumentar la precisión de los resultados de predicción mediante el uso de características del elemento con respuestas de usuario. Se propone un método basado en el concepto de filtrado basado en contenido para extraer tasas de categoría de la matriz usuario-elemento de acuerdo con las preferencias del usuario y organizarlas en vectores. Posteriormente, presentamos un método para filtrar la matriz usuario-elemento utilizando los vectores extraídos y regenerar la matriz de entrada para el filtrado colaborativo (CF). Comparamos los resultados de predicción de nuestro enfoque y el CF convencional utilizando el error absoluto medio y el error cuadrático medio. Además, calculamos la dispersión de la matriz regenerada y la matriz de entrada existente, y demostramos que la matriz regenerada es más densa que la existente. Al calcular la similitud de Jaccard entre los conjuntos de elementos en las matrices regeneradas y existentes, verificamos las distinciones de las matrices. Los resultados de los métodos propuestos confirman que si se utiliza la matriz regenerada como entrada de CF, se puede construir una matriz más densa con una precisión predictiva más alta que cuando se utilizan métodos convencionales. La validez del método propuesto se verificó analizando el efecto de la matriz de entrada compuesta por calificaciones promedio altas en el rendimiento de predicción de CF. La baja dispersión y la alta precisión de predicción del método propuesto se verifican mediante comparaciones con los resultados de métodos convencionales. Se obtienen mejoras de aproximadamente el 16% basadas en el vecino más cercano y el 15% basadas en la descomposición de valores singulares, y una mejora de tres veces en la dispersión basada en las matrices regeneradas y originales. Proponemos un método de reconstrucción de matriz que puede mejorar el rendimiento de las recomendaciones.