针对现有推荐方法证据组合方式单一，未能同时考虑准确性和多样性的问题，提出基于用户动态交互行为扩展的信念网络推荐模型（EBNR_UDIB）。首先，构建一个具有3层结构的基本信念网络推荐（BNR）模型，从而为证据的引入提供一个灵活有效的框架；其次，通过分析用户间的直接及耦合交互关系计算交互强度，并引入动态调整的时间衰减因子修订该强度；最后，以该强度对交互用户加权，将该用户的兴趣作为新证据扩展基本模型，并利用合取和析取两种证据组合方式得到EBNR_UDIB。实验结果表明，相较于基于内容的推荐模型（CBRM）和基于社交的推荐模型（SBRM），在准确率、召回率和F1值上，合取组合方式下的所提模型分别至少提升了7、4和5个百分点，析取组合方式下的所提模型分别至少提升了2、8和6个百分点；在多样性和新颖性指标上，析取组合方式下的所提模型分别至少提升了15和6个百分点，合取组合方式下的所提模型也优于对比模型。
