Die zeitliche Reihenfolge von Nutzer-Item-Interaktionen ist eine wesentliche Eigenschaft vieler Empfehlungssysteme, bei denen die Items, mit denen Nutzer interagieren werden, stark von den Items abhängen, die sie kürzlich genutzt haben. Allerdings stellen sequentielle Empfehlungssysteme vor dem Hintergrund des enormen Anstiegs der Nutzer- und Item-Anzahl immer noch mehrere herausfordernde Probleme: (1) die Schwierigkeit, langfristige Nutzerinteressen aus dünn besetztem implizitem Feedback zu modellieren; (2) die Herausforderung, kurzfristige Nutzerinteressen zu erfassen, wenn mehrere Items kürzlich genutzt wurden. Um diesen Herausforderungen gerecht zu werden, schlagen wir ein hierarchisches Gating-Netzwerk (HGN) vor, das mit dem bayesianischen personalisierten Rangfolgen (BPR) integriert ist, um sowohl langfristige als auch kurzfristige Nutzerinteressen zu erfassen. Unser HGN besteht aus einem Feature-Gating-Modul, einem Instance-Gating-Modul und einem Item-Item-Produktmodul. Insbesondere wählen unsere Feature-Gating- und Instance-Gating-Module selektiv die Item-Eigenschaften aus, die auf Ebene der Features und Instanzen an nachfolgende Schichten weitergegeben werden können. Unser Item-Item-Produktmodul erfasst explizit die Beziehungen zwischen den Items, die Nutzer in der Vergangenheit genutzt haben, und den Items, die sie in Zukunft nutzen werden. Wir evaluieren unser Modell umfassend mit mehreren Stand-of-the-Art-Methoden und verschiedenen Validierungsmetriken auf fünf realen Datensätzen. Die experimentellen Ergebnisse zeigen die Effektivität unseres Modells für Top-N sequentielle Empfehlungen.