Este documento apresenta um estudo que avalia o uso de informação temporal na tarefa de recomendação de tweets no twitter. Foram explorados dois aspectos temporais: a vida útil de tópico de informação e a sua versão personalizada para cada usuário. A aplicação destes aspectos temporais foi avaliada utilizando-se três sistemas de recomendação implementados. Também avaliamos dois modelos de tópicos utilizados para representar tweets: o modelo bag of words e um modelo de tópicos latentes extraídos por LDA (Latent Dirichlet Allocation). Além disso, avaliamos o uso de máquinas de vetor de suporte para estimar o perfil de interesses de usuário, comparando esta abordagem com uma outra mais simples. Os experimentos foram executados utilizando-se um conjunto de dados com 414 milhões de tweets publicados por 321 mil usuários. Os resultados apresentados demonstram que o uso de vida útil de tópico na tarefa de recomendação melhora a qualidade das recomendações, e o uso da versão personalizada desta informação melhorou ainda mais a qualidade destas

This document presents a study that evaluates the use of temporal information in the task of recommending tweets on Twitter. Two temporal aspects have been analysed: the lifespan of information topic and its personalized version for each user. The application of such temporal aspects has been evaluated using three recommendation systems implemented in this work. We also evaluated two topic models considered to describe tweets: a bag of words model and a model of latent topics extracted using LDA (Latent Dirichlet Allocation). Furthermore, we evaluated the use of SVM (Support Vector Machines) to estimate the user profile, comparing this approach with a simpler one. The experiments have been executed using a dataset with 414 millions of tweets published by 321 thousands of users. The results show that the use of topic lifespan information increases the quality of recommendation, and the personalized version of this information increases the quality even more