Atualmente, a maioria dos sistemas de recomendação disponíveis utiliza a abordagem de filtragem colaborativa. Este tipo de sistemas de recomendação assume que se dois utilizadores demonstraram interesse semelhante no mesmo conjunto de conteúdos, podem mostrar um padrão de interesse semelhante na escolha de conteúdos futuros. No entanto, pode acontecer que os utilizadores que têm determinados gostos por uma categoria específica de conteúdos se comportem de forma diferente na escolha de conteúdos de outras categorias. Além disso, as abordagens de filtragem colaborativa não funcionam eficientemente com conjuntos de dados esparsos, onde há um pequeno número de conteúdos ou um número limitado de utilizadores nas categorias de conteúdos. Para ultrapassar todos estes problemas, é utilizada uma nova abordagem de recomendação de conteúdos em diferentes categorias, considerando tanto a informação semântica dos conteúdos como os interesses dos utilizadores. Esta abordagem utiliza dados ligados como fonte para encontrar a semântica adequada dos conteúdos extraídos do histórico de visualizações dos utilizadores. Os conceitos semânticos recuperados para os conteúdos são depois agrupados em clusters semânticos com base na sua semelhança e relevância.