چکیده: سیستم های توصیه گر به عنوان یک فناوری مهم جهت کمک به کاربران در انتخاب منابع مناسب، اخیرا رواج پیدا کرده و به سرعت در حال توسعه می باشند. این سیستم ها با بررسی تعاملات گذشته کاربران و شناسایی سلیقه آنها، یک محیط شخصی سازی شده جهت انتخاب منابع را فراهم می کنند. مدلسازی رفتار کاربر و مکانیسم ارائه توصیه ازمسائل اساسی در توسعه سیستم های توصیه گر می باشند. روش های موجود، غالبا سلیقه کاربر را به عنوان یک فاکتور پنهان در مدلسازی رفتار کاربر بکار می گیرند. پارامتر سلیقه از پروفایل کاربر استنتاج می شود. هر سلیقه کاربر بیان کننده مجموعه ای از منابع با ویژگی های مشترک (مشابه) می باشد که در گذشته توسط آن کاربر انتخاب شده است. عدم توجه به پویایی سلایق کاربر و عدم اولویت بندی بین سلایق مختلف یک کاربر در زمان های مختلف از چالش های اساسی روش های موجود می باشد. در این پژوهش، برای مدلسازی رفتار کاربر علاوه بر مولفه سلیقه، از مولفه علاقه (تمایل) نیز استفاده شده -است که بیان گر اهمیت هر یک از سلیقه های کاربر در زمان معین است. تعداد، زمان، و امتیاز منابع انتخاب شده از عوامل اساسی در محاسبه تمایل کاربر می باشند. در روش پیشنهادی، ابتدا با بکارگیری پروفایل کاربر در یک چارچوب شبکه بیزین به نام فرآیند دریکله، رفتار هر کاربر با استفاده از زوج مولفه ≻سلیقه ، تمایل≺، مدل می شود. سپس، براساس مدل رفتاری ایجاد شده، کاربران مشابه (همسایه)، گردآوری می شوند. در پایان، منابع انتخاب شده توسط کاربران مشابه به کاربر متقاضی پیشنهاد می شود. پویایی تعداد سلایق و سازگاری تمایل کاربر از مزیت های اساسی روش پیشنهادی می باشند. همچنین در مدل پیشنهادی، تنها یک ابرپارامتر (عددی) استفاده شده که مقدار آن نیز بصورت ابتکاری محاسبه می شود. در این رساله، یک سیستم توصیه گر خبر به عنوان مطالعه موردی برای پیاده سازی مدل پیشنهادی انتخاب شده است. برای ارزیابی مدل پیشنهادی از داده های جمع آوری شده از بستر شبکه توئیتر (کانال های خبری) و نیز پایگاه داد ه MovieLens استفاده شده است. کارائی مدل پیشنهادی نیز با روش های معروف نظیر TimeSVD, Content-baxsed, non-Negative Matrix Factorization, Item-Item Collaborative Filtering مقایسه شده است. نتایج حاصل از ارزیابی و مقایسه، کارائی مدل پیشنهادی را تایید می کند.