Attualmente, la maggior parte dei sistemi di raccomandazione disponibili utilizza l'approccio del filtraggio collaborativo. Questo tipo di sistemi di raccomandazione presuppone che se due utenti hanno mostrato un interesse simile per lo stesso insieme di contenuti, possono mostrare un modello di interesse simile nella scelta dei contenuti futuri. Tuttavia, può accadere che gli utenti che hanno determinati gusti su una specifica categoria di contenuti si comportino in modo diverso nella scelta di contenuti di altre categorie. Inoltre, gli approcci di filtraggio collaborativo non funzionano in modo efficiente con insiemi di dati radi, in cui vi è un numero ridotto di contenuti o un numero limitato di utenti nelle categorie di contenuti. Per superare tutti questi problemi, viene utilizzato un approccio innovativo che consiste nel raccomandare contenuti appartenenti a categorie diverse, considerando sia le informazioni semantiche dei contenuti sia gli interessi degli utenti. Questo approccio utilizza i Linked Data come fonte per trovare la semantica appropriata dei contenuti estratti dalla cronologia di visualizzazione degli utenti. I concetti semantici recuperati per i contenuti vengono poi raggruppati in cluster semantici in base alla loro somiglianza e rilevanza.