In sparsen Empfehlungsszenarien spielen der Kontext der Benutzer und die Merkmale der Artikel eine entscheidende Rolle bei der Bestimmung der nächsten zu empfehlenden Objekte. Trotzdem ignorieren viele aktuelle Ansätze zur sequenziellen und zeitbewussten Empfehlung entweder beide Aspekte oder berücksichtigen lediglich einen von ihnen, was ihre prädiktive Leistung einschränkt. In diesem Artikel adressieren wir diese Limitationen durch die Einführung eines kontext- und attributbewussten Empfehlungsmodells (CARCA), das die dynamische Natur der Benutzerprofile hinsichtlich kontextueller Merkmale und Artikelattribute mittels spezialisierter Multi-Head-Self-Attention-Blöcke erfassen kann. Diese Blöcke extrahieren profilspezifische Merkmale und prognostizieren anschließend die Item-Scores. Im Gegensatz zu vielen aktuellen state-of-the-art-Ansätzen zur sequenziellen Item-Empfehlung, die zur Bewertung lediglich das Skalarprodukt der latenten Merkmale des zuletzt interagierten Artikels mit den Embeddings der Zielartikel verwenden, nutzt CARCA eine Cross-Attention zwischen allen Artikeln im Benutzerprofil und den Zielartikeln, um die endgültigen Scores vorherzusagen. Diese Cross-Attention ermöglicht es CARCA, die Korrelation zwischen älteren und kürzlich interagierten Artikeln im Benutzerprofil sowie deren Einfluss auf die Entscheidung für die nächste Empfehlung effektiv auszunutzen. Experimente an vier realen Welt-Datensätzen für Empfehlungssysteme zeigen, dass das vorgeschlagene Modell alle state-of-the-art-Modelle erheblich übertrifft. Dabei erreicht es Verbesserungen von bis zu 53 % in Normalized Discounted Cumulative Gain (NDCG) und Hit-Ratio. Zudem zeigt sich, dass CARCA mehrere state-of-the-art-Systeme, die speziell auf Bildmerkmale basieren, übertrifft, indem es lediglich bilddatenbasierte Attribute, die aus einem vortrainierten ResNet50 extrahiert wurden, in einer black-box-artigen Weise nutzt.