A recomendação de itens para usuários é uma tarefa que pode ser presenciada constantemente pelos mais diversos meios. desde um vendedor de uma loja, até aplicativos como o netflix, a recomendação se faz presente. em sistemas de recomendação, é necessário cada vez mais levar em consideração diversos fatores para que um usuário saia satisfeito com o que foi recomendado. para um usuário, diversos critérios devem ser levados em consideração na recomendação, sendo que alguns desses critérios podem ser mais importantes que os demais. na literatura, é comum encontrar abordagens que, considerando avaliações prévias de usuários para determinados itens e os critérios desses itens, infere quais avaliações o usuário daria para outros itens e critérios de itens. contudo, sabe-se que as bases de dados de avaliações de um sistema de recomendação costumam ser esparsas, ou seja, apenas uma pequena parcela das avaliações são conhecidas. esse problema, conhecido como esparcidade de dados, faz com que seja lenta a predição de todas as avaliações possíveis. neste trabalho, é proposto que se trabalhe com dois conceitos distintos de avaliações de itens: textit{ratings} explícitos, fornecidos explicitamente pelos usuários, e textit{ratings} implícitos, inferidos pelo sistema. cada um desses textit{ratings} está relacionado a um critério e, além disso, é proposto que, para se identificar quais critérios são mais importantes, cada um dos critérios esteja relacionado a um peso. para se ajustar os pesos dos critérios, é proposto um problema de otimização que é solucionado via algoritmo genético. ao se utilizar ajuste de pesos, combinado com o uso de textit{ratings} implícitos e explícitos, é possível reduzir consideravelmente o tempo de ajuste do sistema de recomendação, bem como aumentar a precisão das recomendações em cenários mais esparsos. em cenários menos esparsos, ainda é possível reduzir consideravelmente o tempo de ajuste do sistema, mantendo-se a precisão das recomendações com valores próximos à precisão de outros trabalhos da literatura.