نموذج المستخدم هو مهمة أساسية لأنظمة التوصية عبر الإنترنت. في العقود القليلة الماضية، تم دراسة تقنيات التصفية التعاونية (CF) بشكل مكثف لتمثيل تفضيلات المستخدمين على المدى الطويل. في الآونة الأخيرة، أظهرت الشبكات العصبية التكرارية (RNN) ميزة كبيرة في تمثيل تفضيلات المستخدمين على المدى القصير. وطريقة طبيعية لتحسين نظام التوصية هي دمج كلا النموذجين، الطويل الأمد والقصير الأمد. إلا أن النهج السابقة تجاهلت أهمية دمج هذين النموذجين الديناميكية لتمثيل المستخدم. علاوةً على ذلك، فإن سلوك المستخدمين أكثر تعقيدًا بكثير من الجمل في نمذجة اللغة أو الصور في الحوسبة البصرية، مما يستدعي تطوير الهياكل الكلاسيكية للـ RNN، مثل الذاكرة طويلة القصر (LSTM)، لتحسين تمثيل المستخدم. في هذه الورقة، نُحسّن الهيكل التقليدي للـ RNN من خلال اقتراح "مُتحكم مُراعٍ للزمن" و"مُتحكم مُراعٍ للمحتوى"، بحيث يمكن أخذ المعلومات السياقية بعين الاعتبار بشكل فعّال لتنظيم انتقال الحالة. كما نقترح إطارًا يعتمد على الانتباه لدمج تفضيلات المستخدم على المدى الطويل والقصير، مما يسمح بتوليد تمثيل للمستخدم بشكل تلقائي وفقًا للسياق المحدد. أجرينا تجارب واسعة على مجموعات بيانات عامة وصناعية. وأظهرت النتائج أن الطريقة المقترحة تتفوق بشكل مستمر على عدة طرق حديثة متطورة.