Los sistemas de recomendación buscan las preferencias subyacentes de los usuarios según sus calificaciones históricas y recomiendan una lista de elementos que puedan interesarles. La información de calificación juega un papel importante en revelar los verdaderos gustos de los usuarios. Sin embargo, investigaciones previas indican que pueden existir ruidos naturales en las calificaciones históricas y desviar los resultados de recomendación. Para hacer frente a los ruidos naturales, se han propuesto diferentes métodos, como eliminar directamente los ruidos, corregir el ruido volviendo a predecir, o utilizando información adicional. Sin embargo, estos métodos introducen algunos nuevos problemas, como la dispersión de datos y la introducción de nuevas fuentes de ruido. Para abordar los problemas, presentamos un nuevo enfoque para gestionar los ruidos naturales en los sistemas de recomendación. En primer lugar, proporcionamos los criterios de detección de ruidos naturales basados en las clasificaciones de usuarios e elementos. Después de detectar los ruidos, los corregimos con valores de umbral ponderados por probabilidades. Los resultados experimentales muestran que el método propuesto puede corregir eficazmente el ruido natural y mejorar considerablemente la calidad de las recomendaciones.