Los sistemas de recomendación son fundamentales para ayudar a los usuarios a navegar por el ecosistema de entretenimiento en rápida expansión, sin embargo, lograr una fuerte personalización con retroalimentación limitada mientras se mantiene la interpretabilidad sigue siendo difícil, particularmente en condiciones de arranque en frío y con metadatos de ítems heterogéneos. Este trabajo presenta un marco de recomendación híbrido de extremo a extremo que unifica un Modelo de Lenguaje Grande (LLM) con un filtrado colaborativo basado en Redes de Atención de Grafos (GAT) para mejorar tanto la precisión del ranking como la calidad de la explicación en películas, libros y música. Los agentes basados en LLM primero transforman metadatos en bruto como títulos, géneros, descripciones y atributos auxiliares en perfiles de usuario e ítem semánticamente fundamentados, que se incrustan y se utilizan como características iniciales de nodo en un grafo bipartito usuario-ítem procesado por un recomendador basado en GAT. La optimización del modelo se basa en un objetivo híbrido que combina Ranking Personalizado Bayesiano, regularización de similitud coseno y muestreo negativo robusto para alinear mejor las señales semánticas y colaborativas. Finalmente, en la etapa de post-procesamiento, un agente basado en LLM vuelve a clasificar las salidas de GAT utilizando un Árbol de Búsqueda Binaria Ponderado por Confianza Híbrido propuesto, y otro agente basado en LLM que produce justificaciones en lenguaje natural adaptadas a cada usuario. Los experimentos en diversos conjuntos de datos de referencia y extensas ablaciones demuestran que la metodología propuesta aumenta la precisión, el recall, el NDCG y el MAP en varios valores de K. Además, la etapa de post-procesamiento es especialmente efectiva en escenarios de arranque en frío, fortaleciendo consistentemente las métricas de recomendación y mejorando la transparencia en valores más pequeños de K. En general, la integración de representaciones enriquecidas por LLM con modelado de grafos basado en atención permite recomendaciones de entretenimiento más precisas y explicables.