Les systèmes de recommandation ont pour but d'aider l'utilisateur dans ses recherches. La plupart des systèmes de recommandation exploitent les similitudes entre les utilisateurs, en particulier le filtrage collaboratif, qui consiste à considérer les votes des utilisateurs pour fournir les recommandations, sans regarder le contenu des ressources considérées. Or, les votes constituent le seul critère de recommandation, et il semblerait intéressant d'étendre le concept en y incluant la notion de contexte temporel. Dans cet article, nous présentons un modèle qui fournit des recommandations personnalisées, basé à la fois sur la corrélation et le contexte temporel, en prenant en compte un historique de taille fixe. Nous proposons d'utiliser deux modèles ayant des propriétés complémentaires et de les combiner afin de fournir des listes de recommandation plus précises. Le premier est basé sur les modèles de Markov et le second est issu du domaine des modèles statistiques de langage, où il est connu sous le nom de modèle trigger. Nous avons testé notre modèle contextuel sur un corpus de navigation sur l'Intranet bancaire du Crédit Agricole S.A. Nous montrons la complémentarité des deux modèles qui se concrétise par une nette amélioration des résultats.