La croissance rapide des médias en streaming et du commerce électronique a stimulé les progrès des systèmes de recommandation, en particulier des Systèmes de Recommandation Séquentielle (SRS). Ces systèmes exploitent l'historique d'interactions des utilisateurs pour prédire leurs préférences futures. Bien que les recherches récentes se concentrent sur des innovations architecturales telles que les blocs Transformer et l'extraction de caractéristiques, les encodages positionnels, essentiels pour capter les motifs temporels, ont reçu moins d'attention. Ces encodages sont souvent confondus avec les informations contextuelles, notamment la trace temporelle, que les travaux antérieurs traitent souvent comme interchangeables avec les informations positionnelles. Ce papier met en évidence la distinction fondamentale entre la trace temporelle et les encodages positionnels, en démontrant que ces derniers offrent des indices relationnels uniques entre les éléments, que la trace temporelle seule ne peut pas fournir. À travers des expérimentations approfondies sur huit jeux de données Amazon et leurs sous-ensembles, nous évaluons l'impact de divers encodages sur les métriques de performance et la stabilité d'entraînement. Nous proposons de nouveaux encodages positionnels et étudions des stratégies d'intégration qui améliorent à la fois les performances et la stabilité, dépassant les résultats de l'état de l'art au moment de la première prépublication de ce travail. Plus important encore, nous montrons qu'un choix approprié d'encodage n'est pas seulement crucial pour une meilleure performance, mais également essentiel à la construction de modèles SRS robustes et fiables.