En la era digital de hoy, la abundancia de servicios en línea presenta a los usuarios una desalentadora variedad de opciones, que van desde plataformas de streaming hasta sitios web de comercio electrónico, lo que lleva a la fatiga de decisión. Los algoritmos de recomendación desempeñan un papel fundamental en ayudar a los usuarios a navegar por esta gran cantidad de opciones, entre los cuales el filtrado colaborativo (CF) se destaca como una técnica prevalente. Sin embargo, el CF enfrenta varios desafíos, incluyendo problemas de escalabilidad, implicaciones de privacidad y el conocido problema de inicio en frío. Este estudio se esfuerza por mitigar el problema de inicio en frío aprovechando las capacidades del procesamiento del lenguaje natural (NLP) aplicado a las reseñas generadas por los usuarios. Se introduce una metodología única, integrando enfoques de NLP supervisados y no supervisados facilitados por sci-kit learn, utilizando conjuntos de datos de referencia en diversos dominios. Este estudio ofrece contribuciones científicas a través de su enfoque, asegurando rigor, precisión, escalabilidad y relevancia en el mundo real. Aborda el problema de inicio en frío en sistemas de recomendación combinando procesamiento del lenguaje natural (NLP) con técnicas de aprendizaje automático y filtrado colaborativo, abordando efectivamente la escasez de datos. Este estudio enfatiza la reproducibilidad y la precisión al proponer una solución avanzada que mejora la personalización en los modelos de recomendación. La estrategia propuesta basada en NLP mejora la calidad del contenido generado por el usuario, refinando consecuentemente la precisión de los Sistemas de Recomendación Basados en Filtrado Colaborativo (CFBRSs). Los autores llevaron a cabo experimentos para probar el rendimiento del enfoque propuesto en conjuntos de datos de referencia como , , , , , , , , , , , y para medir la precisión global, la pérdida global, la puntuación F-1 y los valores de AUC (área bajo la curva). La evaluación a través de diversas técnicas como bosque aleatorio, Naïve Bayes y regresión logística en conjuntos de datos de referencia heterogéneos indica que el bosque aleatorio es el método más efectivo, logrando una tasa de precisión superior al 90%. Además, el enfoque propuesto obtuvo una precisión global por encima del 95%, una pérdida global del 1.50%, una puntuación F-1 de 0.78 y un valor de AUC del 92%. Además, los experimentos realizados en privacidad diferencial distribuida y global (GDP) optimizan aún más la eficacia del sistema.