اخیراً سیستم های برچسب زنی اجتماعی به صورت روزافزون در حال افزایش و متداول شدن می باشد. این سیستم ها به کاربران اجازه می دهند منابع مورد نیاز خود را به صورت آزادانه سازمان دهی، مدیریت و جست وجو نمایند. اکثر واحدهای (modules) موجود در سیستم های پیشنهاددهنده، اطلاعاتی همانند زمان را که بر روی علایق کاربران بر روی یک منبع مورد نظر، می تواند تأثیرگذار باشد را درنظر نمی گیرند. بنابراین یکی از چالش های موجود در سیستم های پیشنهاددهنده منبع، ترکیب برچسب های انتسابی به منابع با زمان انتساب برچسب توسط کاربران جهت کشف صحیح علایق کاربر با توجه به گذر زمان و افزایش صحت پیشنهاد ات می باشد. یکی از ابزارهایی که در جهت کشف روابط همزمان موجود در بین موجودیت ها می تواند به طور موثر عمل کند، تنسور (tensor) است. تنسور ماتریسی چندبعدی است که با اعمال تجزیه بر روی آن امکان کشف روابط پنهان وجود دارد. در این پایان نامه، داده های دریافت شده از سیستم های برچسب زنی اجتماعی، توسط تنسور 4 بعدی جهت نمایش ارتباطات و وابستگی میان کاربران، برچسب ها، منابع و زمان انتساب برچسب ها مدل شده است و سپس با کمک تجزیه و تحلیل چند حالتی، روابط پنهان میان علایق کاربران با تأثیرپذیری از زمان انتساب برچسب کشف شده است. از این رو تأثیر گذر زمان در ارائه پیشنهاد منبع به کاربر سبب افزایش صحت خروجی پیشنهاد ات می شود. از مزایای روش پیشنهادی می توان درنظر گرفتن تأثیر همزمان ارتباط میان عناصر، کشف ویژگی های پنهان و افزایش صحت پیشنهاد ات در خروجی سیستم را نام برد. ارزیابی روش پیشنهادی بر روی دو پایگاه داده ی دنیای واقعی last.fm و citeulike، با در نظر گرفتن معیارهای دقت، فراخوانی، معیار-اف، نرخ برخورد و نرخ رتبه انجام شده است. نتایج آزمایش ها نشان دهنده ی بهبود سیستم پیشنهادی در مقایسه با روش های مبتنی بر روابط دوگانه ی زمان محور و روابط سه گانه ی بدون پارامتر زمان است.