En las aplicaciones de Internet de las Cosas (IoT), el comportamiento del usuario está influenciado por factores como la estructura de la red, la actividad del usuario y la ubicación. Extraer patrones valiosos de las huellas de actividad del usuario puede llevar al desarrollo de aplicaciones de IoT más inteligentes y personalizadas y a una mejor experiencia del usuario. Este documento propone un algoritmo de minería de preferencias de comportamiento del usuario basado en LIME que aprovecha técnicas de Inteligencia Artificial Explicable (XAI) para interpretar los datos de comportamiento del usuario y extraer preferencias de usuario. Al entrenar un modelo de red neuronal de caja negra para predecir el comportamiento del usuario utilizando LIME y aproximando las predicciones con un modelo lineal local, identificamos las características clave que influyen en el comportamiento del usuario. Este análisis revela patrones y preferencias de comportamiento del usuario, como hábitos en momentos específicos, ubicaciones y estados del dispositivo. La incorporación de información de comportamiento del usuario en el proceso de programación de recursos, combinada con un mecanismo de retroalimentación, establece una red de descubrimiento activa de la demanda del usuario. Nuestro enfoque, utilizando capacidades de computación en el borde, ajusta y optimiza continuamente la programación de recursos, adaptándose activamente a las percepciones del usuario. Los resultados experimentales demuestran la efectividad del control de retroalimentación para satisfacer diversas solicitudes de recursos de usuario, mejorando la satisfacción del usuario y la utilización del sistema de recursos.