الاستنتاج التسلسلي يُعد مجالًا رئيسيًا في مجال أنظمة التوصية، ويهدف إلى نمذجة اهتمامات المستخدم بناءً على تسلسل التفاعلات السابقة ذات الفواصل الزمنية غير المنتظمة. وعلى الرغم من النتائج المهمة التي حققتها النماذج القائمة على الشبكات العصبية التكرارية (RNN) والأساليب القائمة على الانتباه، إلا أنها تواجه قيودًا في التقاط الاستمرارية النظامية نظرًا للخصائص المنفصلة لها. وفي سياق النمذجة المستمرة الزمنيًا، تُعد نماذج الفضاء الحالة (SSM) حلًا واعدًا، إذ يمكنها التقاط التطور الديناميكي لاهتمامات المستخدم عبر الزمن بشكل فعّال. ومع ذلك، تتجاهل النماذج الحالية القائمة على SSM تأثير الفواصل الزمنية غير المنتظمة ضمن تفاعلات المستخدم السابقة، مما يجعل من الصعب نمذجة انتقالات المستخدم-العنصر المعقدة في التسلسلات. لمعالجة هذه المشكلة، نقترح نموذجًا هجينًا قائمة على SSM يُسمى SS4Rec للاستنتاج التسلسلي المستمر الزمني. يُدمج SS4Rec نموذج فضاء حالة واعٍ بالزمن لمعالجة الفواصل الزمنية غير المنتظمة، ونموذج فضاء حالة واعٍ بالعلاقة لتمثيل الاعتماديات السياقية، مما يمكّنه من استخلاص اهتمامات المستخدم من منظورين زمني وسلسلي معًا. أثناء عملية التدريب، يتم تجزئة نموذج فضاء الحالة واعٍ بالزمن ونموذج فضاء الحالة واعٍ بالعلاقة باستخدام خطوات متغيرة حسب فواصل زمن التفاعل الخاصة بالمستخدم والبيانات المدخلة على التوالي. وهذا يساعد في التقاط الاعتماد المستمر الناتج عن الفواصل الزمنية غير المنتظمة، ويُوفّر توصيات شخصية محددة زمنيًا. أظهرت الدراسات التجريبية على خمسة مجموعات بيانات معيارية تفوق وفعالية SS4Rec.