The traditional preference mining setting, referred to here as the batch setting, has been widely studied in the literature in recent years. However, the dynamic nature of the problem of mining preferences increasingly requires solutions that quickly adapt to change. The main reason for this is that frequently user\'s preferences are not static and can evolve over time. In the work described in this master\'s thesis, we address the problem of mining contextual preferences in the data stream setting. Contextual Preferences have been recently treated in the literature and some methods for mining this special kind of preferences have been proposed in the batch setting. As main contributions of the work described in this master\'s thesis, we formalize the contextual preference mining problem in the data stream setting and propose three algorithms for solving this problem. In addition, we also propose a formalism about concept drift in contextual preferences. We have implemented two of the proposed algorithms and showed their eciency through an extensive set of experiments over real and synthetic data (with and without concept drift).Mestre em Ciência da ComputaçãoO cenário tradicional de mineração de preferências, referido aqui como cenário batch, tem sido amplamente estudado na literatura nos últimos anos. Entretanto, a natureza dinâmica do problema de mineração de preferências cada vez mais requer soluções que rapidamente se adaptam a mudanças. A principal razão para isto é que normalmente as preferências do usuário não são estáticas e podem evoluir sobre o tempo. No trabalho descrito nesta dissertação, é abordado o problema de mineração de preferências contextuais no cenário de data stream. Preferências Contextuais têm sido recentemente tratadas na literatura e alguns métodos para minerar este tipo especial de preferências têm sido propostos no cenário batch. Como principais contribuições do trabalho descrito nesta disserta ção, o problema de mineração de preferências contextuais no cenário de data stream é formalizado e são propostos três algoritmos para resolver este problema. Em adicional, também foi proposto um formalismo sobre concept drift em preferências contextuais. Dois dos algoritmos propostos foram implementados e a eciência destes foi mostrada através de um conjunto extenso de experimentos sobre dados reais e sintéticos (com e sem a introdução de concept drift ).