La información de descripción de artículos juega un papel crucial en ayudar a los usuarios a entender la situación básica de un artículo y también es información auxiliar vital en los sistemas de recomendación. Los métodos tradicionales obtienen estos datos a través de datos del backend de la plataforma o técnicas de web scraping, pero estos datos a menudo son estáticos, relativamente fijos y poco descriptivos. En los últimos años, los grandes modelos de lenguaje (LLMs) como el transformador generativo preentrenado (GPT) se han convertido en herramientas poderosas en el procesamiento del lenguaje natural, trayendo nueva esperanza para las recomendaciones basadas en LLM. Sin embargo, ¿la información textual generada por grandes modelos de lenguaje ayuda a mejorar la precisión de las recomendaciones? ¿Cómo se puede integrar la información producida por la inteligencia artificial generativa con la información heterogénea de múltiples fuentes existente? En este artículo, proponemos un nuevo método de recomendación híbrido profundo para información multimodal que integra contenido generado por grandes modelos de lenguaje (DML). Primero exploramos el uso de grandes modelos de lenguaje para generar información descriptiva detallada sobre películas. A continuación, realizamos una fusión ponderada de la información textual generada con la información existente sobre categorías de películas y datos demográficos de usuarios, entre otra información heterogénea de múltiples fuentes. Finalmente, utilizamos la información fusionada para predecir las calificaciones de las películas. Los resultados indican que el método de recomendación híbrido profundo de información multimodal, que integra contenido generado por grandes modelos de lenguaje, proporciona evidencia sustancial de un rendimiento superior en relación con los modelos base existentes.