El filtrado colaborativo (CF), una técnica fundamental en los sistemas de recomendación personalizados, opera aprovechando las interacciones de preferencias entre usuarios y artículos. La factorización de matrices sigue siendo uno de los métodos basados en CF más prevalentes. Sin embargo, los avances recientes en el aprendizaje profundo han impulsado el desarrollo de modelos híbridos, que extienden la factorización de matrices, particularmente con autoencoders, para capturar relaciones no lineales entre artículos. A pesar de estos avances, muchos modelos propuestos a menudo descuidan los cambios dinámicos en el proceso de calificación y pasan por alto las características del usuario. Este artículo presenta IUAutoTimeSVD++, un nuevo modelo híbrido que se basa en autoTimeSVD++. Al incorporar características de artículo-usuario en el marco de timeSVD++, el modelo propuesto busca abordar la naturaleza estática y los problemas de escasez inherentes a los modelos existentes. Nuestro modelo utiliza un autoencoder contractivo (CAE) para mejorar la capacidad de capturar una representación robusta y estable de características específicas del usuario y del artículo, acomodando variaciones temporales en las preferencias del usuario y aprovechando las características del artículo. Los resultados experimentales en dos conjuntos de datos públicos demuestran la superioridad de IUAutoTimeSVD++ sobre los modelos de referencia, afirmando su efectividad en la captura y utilización de características de usuarios y artículos para recomendaciones temporalmente adaptativas.