RecommenderSystems

2024 Knowledge-enhanced personalized hierarchical attention network for sequential recommendation Abstract Sequential recommendation aims to predict the next items that users will interact with according to the sequential dependencies within historical user interactions. Recently, self-attention based sequence modeling methods have become the mainstream method due to their competitive accuracy. Despite their effectiveness, these methods still have non-trivial limitations: (1) they mainly take the transition patterns between items into consideration but ignore the semantic associations between items, and (2) they mostly focus on dynamic short-term user preferences and fail to consider user static long-term preferences explicitly. To address these limitations, we propose a Knowledge Enhanced Personalized Hierarchical Attention Network (KPHAN), which can incorporate the semantic associations among items by learning from knowledge graphs and capture the fine-grained long- and short-term interests of users through a novel personalized hierarchical attention network. Specifically, we employ the entities and relationships in the knowledge graph to enrich semantic information for items while preserving the structural information of the knowledge graph. The self-attention mechanism then captures semantic associations among items to obtain short-term user preferences more accurately. Finally, a personalized hierarchical attention network is developed to generate the final user preference representations, which can fully capture user static long-term preferences while fusing dynamic short-term preferences. Experimental results on three real-world datasets demonstrate that our method can outperform prior works by 2.7% - 35.5% on HR metrics and 6.7% - 27.9% on NDCG metrics. #Knowledge #Enhanced #Personalized #Hierarchical #Attention #Network #Sequential #Knowledge_Enhanced #Attention_Network #Sequential_Recommender #PersonalizedHierarchicalAttention #Personalized_Hierarchical_

2025 The ACM Conference Series on Recommender Systems ▫️ List of all full papers accepted for RecSys 2025 (in alphabetical order). ▫️ Keynotes ▫️ Workshops #ACM #Conference #Papers #RecSys #Keynotes #Workshops @Recommender_Systems

💫 سه حالت جادویی DeepSeek 🤝 DeepSeek سه حالت متفاوت دارد: Instant**، **Expert و Vision. هر کدام برای یک نوع کار عالی است. ⚡️ حالت Instant – جواب فوری، مثل یک دوست همیشه آنلاین وقتی عجله داری و فقط می‌خواهی سریع چیزی را بدانی: ترجمهٔ یک کلمه، پیدا کردن یک تنظیم ساده، یا یک راهکار کوتاه. مثال: *«مدیریت انرژی در ویندوز ۱۱ را از کجا پیدا کنم؟»* 🧠 حالت Expert – حرفه‌ای کاربلد برای چالش‌های سخت آن موقع که حسابی گیر کرده‌ای: بهینه‌سازی کد برنامه‌نویسی، حل مسئلهٔ پیچیده، یا تحلیل فنی عمیق. این حالت کمی زمان می‌برد، اما نتیجه‌اش پشیمانی ندارد. مثال: *«این کد پایتون را برای دیتاست ۱۰۰ گیگابایتی با حافظهٔ کم، بهینه کن»* 👁 حالت Vision – چشم بینا برای دیدن عکس و نمودار این حالت را خیلی‌ها دوست دارند! عکس، نمودار، جدول یا خطای برنامه را خودش می‌بیند و تحلیل می‌کند. فقط کافی است تصویر را بفرستی. مثال: *«این پنجره خطا هنگام نصب برنامه یعنی چه و چطور حلش کنم؟»* 📣 خلاصهٔ سریع : - به جواب فوری نیاز داری؟ → Instant - با یک چالش سخت دست‌وپنجه نرم می‌کنی؟ → Expert - عکس، نمودار یا جدول داری که باید بفهممش؟ → Vision #AI #Research #Tools #ResearchTools #Research_Tools #DeepSeek #AI_Tools #Best #BestTools #Best_Tools @Recommender_Systems