En la actualidad, los sistemas de recomendación ofrecen un método para facilitar el deseo del usuario. Es útil para recomendar elementos de una variedad de áreas como en el comercio electrónico, médica, educación, turismo e industria. El área de comercio electrónico representa la investigación más activa que encontramos, la cual ayuda a los usuarios a localizar las cosas que desean. Un sistema de recomendación también puede proporcionar a los usuarios conocimientos útiles sobre cosas que podrían ser de interés. A veces, el usuario se aburre con recomendaciones que son similares a sus perfiles, lo que lleva al problema de la sobre-especialización. La sobre-especialización es causada por datos de contenido limitados, bajo los cuales los algoritmos de recomendación basados en contenido sugieren productos directamente relacionados con el perfil del cliente en lugar de cosas nuevas. En este estudio, estamos particularmente interesados en recomendar elementos sorprendentes, nuevos e inesperados que probablemente sean disfrutados por los usuarios y mitigar este contenido limitado. Para recomendar elementos novedosos y sorpresivos junto con elementos familiares, necesitamos introducir trucos adicionales y tener en cuenta la aleatoriedad, lo cual se puede lograr utilizando algoritmos genéticos que aportan diversidad a las recomendaciones que se realizan. Este documento describe un sistema de recomendación evolutivo utilizando un algoritmo genético llamado, que mejora las funciones de ajuste para recomendar resultados óptimos. El enfoque propuesto emplea un algoritmo genético para abordar el problema de sobre-especialización del filtrado basado en contenido. El método propuesto tiene como objetivo incorporar algoritmos genéticos que aporten variedad a las recomendaciones y ajusten eficientemente y sugieran cosas impredecibles e innovadoras al usuario. Los experimentos demuestran objetivamente que nuestra tecnología puede recomendar productos adicionales que cada consumidor probablemente apreciará. Los resultados han sido comparados con los resultados de recomendación del enfoque de filtrado basado en contenido. Los resultados indican la efectividad y la capacidad de hacer predicciones más precisas que los enfoques alternativos.