En la era digital, los sistemas de recomendación personalizados se han vuelto cruciales para la difusión de información y la experiencia del usuario. Mientras que los sistemas tradicionales se centran en la precisión, a menudo pasan por alto la diversidad, novedad y serendipia. Este estudio presenta un modelo innovador de sistema de recomendación, Time-based Outlier Aware Recommender (TOAR), diseñado para abordar los desafíos de la homogeneización de contenido y las burbujas de información en recomendaciones personalizadas. TOAR integra la Factorización Matricial Neuronal (NeuMF), Redes Neuronales Bidireccionales de Memoria a Corto y Largo Plazo (Bi-LSTM) y el clustering de Mean Shift para mejorar la precisión, novedad y diversidad de las recomendaciones. El modelo analiza la dinámica temporal del comportamiento del usuario y facilita el intercambio de conocimientos entre dominios a través de mecanismos de intercambio y transferencia de características. Al incorporar un mecanismo de atención y clustering no supervisado, TOAR captura de manera efectiva información importante de series temporales y garantiza la diversidad de las recomendaciones. Los resultados experimentales en un conjunto de datos de recomendación de noticias demuestran el rendimiento superior de TOAR en múltiples métricas, incluyendo AUC, precisión, NDCG y novedad, en comparación con modelos de recomendación tradicionales y basados en aprendizaje profundo. Esta investigación sienta las bases para desarrollar servicios de recomendación más inteligentes y personalizados que equilibren la precisión con la diversidad de contenido.