تهدف النماذج المقترحة القائمة على الجلسات (SBRs) إلى التنبؤ باهتمامات المستخدمين التالية بناءً على تفاعلاتهم السابقة خلال جلسة معينة، مع عدم توفر أي معلومات تاريخية عن هؤلاء المستخدمين. وتعتمد النماذج الحديثة لـ SBR على الشبكات العصبية العميقة لتمثيل الاهتمامات الحالية للمستخدمين خلال جلسة جارية في فضاء خفي، بهدف التنبؤ باهتماماتهم القادمة. وعلى الرغم من أن النماذج الحالية ذات الأداء العالي تحقق نتائج مرضية، إلا أن معظمها يركّز على دراسة تسلسل الأحداث داخل الجلسات، متجاهلاً التفاصيل الزمنية الخاصة بتلك الأحداث. وفي هذه الورقة البحثية، نستعرض الإمكانات الكامنة في استخدام المعلومات الزمنية للجلسات لتعزيز أداء نماذج SBR، وذلك على الأرجح من خلال التقاط الاهتمامات اللحظية للمستخدمين المجهولين أو التغيرات في تفكيرهم خلال الجلسة. ونُقدّم إطار عمل يُسمّى STAR، الذي يستخدم الفواصل الزمنية بين الأحداث داخل الجلسات لبناء تمثيلات أكثر إفادة للمواد والجلسات على حد سواء. ويُعدّ ميكانيزمنا مُعدّلاً لتمثيل الجلسة من خلال دمج الفواصل الزمنية دون اللجوء إلى عملية التجزئة (discretization). وتُظهر النتائج التجريبية على مجموعتي بيانات Yoochoose وDiginetica أن الطريقة المقترحة تتفوّق على النماذج الأساسية المتطورة في معايير الدقة (Recall) ونسبة الترتيب المتوسط (MRR).