في الآونة الأخيرة، تم تطبيق الشبكات العصبية العميقة على نطاق واسع في أنظمة التوصية بفضل فعاليتها في التقاط/نمذجة تفضيلات المستخدمين. وبخاصة، يمكّن آلية الانتباه في التعلم العميق أنظمة التوصية من دمج ميزات مختلفة بطريقة تكيفية. وبالتحديد، فيما يتعلق بمهام توصية المنتج التالي، لدينا الملاحظات الثلاث التالية: 1) تُجمَع سجلات السلوك التسلسلي للمستخدمين عند مواقع زمنية معينة (ظاهرة "التجميع الزمني")، 2) يمتلك المستخدمون ذوقًا شخصيًا مرتبطًا بظاهرة "التجميع الزمني" (ظاهرة "التجميع الزمني الشخصي")، و3) تلعب الاهتمامات قصيرة المدى للمستخدمين دورًا مهمًا في التنبؤ/التوصية بالمنتج التالي. في هذه الورقة، نقترح شبكة جديدة تُدعى TLSAN (شبكة الانتباه الطويلة والقصيرة المدى المُراعية للزمن) لمعالجة الملاحظات المذكورة أعلاه. وتشمل TLSAN مكونين رئيسيين. أولاً، تُنمذج TLSAN ظاهرة "التجميع الزمني الشخصي" وتعلم الذوق الزمني الخاص بالمستخدم من خلال متجهات مواقع زمنية قابلة للتدريب، مع مراعاة الترابطات المعرفية بالفئات في السلوك الطويل المدى. ثانيًا، تم اقتراح طبقات انتباه مميزة للميزات على المدى الطويل والقصير، بهدف التقاط تفضيلات المستخدم طويلة وقصيرة المدى بشكل فعّال لتقديم توصيات دقيقة. وبخاصة، تُمكّن آلية الانتباه TLSAN من استخدام تفضيلات المستخدمين بطريقة تكيفية، كما يعزز استخدامها في الطبقات الطويلة والقصيرة من قدرة TLSAN على التعامل مع بيانات التفاعل النادرة. أُجريت تجارب واسعة على مجموعات بيانات أمازون من مجالات مختلفة (بأحجام متفاوتة)، وأظهرت النتائج أن TLSAN تتفوق على النماذج الرائدة في التقاط تفضيلات المستخدمين وأداء التوصية بالمنتج التالي مع مراعاة العامل الزمني.