La información compleja y diversa está inundando redes enteras debido al rápido desarrollo de Internet móvil y la tecnología de la información. En estas condiciones, a una persona le resulta difícil localizar y acceder a información útil para tomar decisiones. Por ello, surgió el sistema de recomendación personalizada que utiliza la información sobre el comportamiento del usuario para recomendar artículos interesantes. En la actualidad, el filtrado colaborativo se ha utilizado con éxito en los sistemas de recomendación personalizada. Sin embargo, en condiciones de datos de valoración extremadamente dispersos, el método tradicional de similitud entre usuarios es relativamente sencillo. Además, no tiene en cuenta que el interés del usuario cambiará con el tiempo, lo que se traduce en un rendimiento deficiente. En este trabajo, se propone un nuevo método de medida de la similitud que tiene en cuenta la confianza del usuario y el contexto temporal para mejorar preferentemente el cálculo de la similitud entre usuarios. Por último, los resultados experimentales demuestran que el algoritmo propuesto es adecuado para los datos dispersos y mejora eficazmente la precisión de la predicción y la calidad de la recomendación al mismo tiempo.