Les recommandateurs basés sur les sessions (SBRs) visent à prédire les préférences suivantes des utilisateurs en se fondant sur leurs interactions passées au sein d'une session, sans disposer d'informations historiques sur ces derniers. Les SBR modernes exploitent les réseaux de neurones profonds pour projeter les intérêts actuels d'un utilisateur au cours d'une session en cours dans un espace latent, afin de prédire ses préférences futures. Bien que les modèles SBR les plus avancés atteignent des résultats satisfaisants, la majorité d'entre eux se concentrent principalement sur l'analyse de la séquence des événements au sein des sessions, tout en négligeant les détails temporels associés à ces événements. Dans ce papier, nous examinons le potentiel de l'information temporelle des sessions pour améliorer les performances des SBRs, en particulier en capturant les intérêts momentanés des utilisateurs anonymes ou leurs changements d'état mental au cours d'une session. Nous proposons le cadre STAR, qui utilise les intervalles temporels entre les événements au sein des sessions pour construire des représentations plus informatives pour les éléments et les sessions. Notre mécanisme actualise la représentation de la session en intégrant les intervalles temporels directement, sans recourir à une discrétisation. Les résultats expérimentaux sur les jeux de données Yoochoose et Diginetica montrent que la méthode proposée surpasse les modèles de référence les plus avancés en termes de critères de Recall et de MRR.