ユーザー-アイテムの相互作用の時系列順序は、多くの推薦システムにおいて重要な特徴であり、ユーザーが次に相互作用するアイテムは、直近にアクセスしたアイテムに大きく依存することが多い。しかし、ユーザーとアイテムの急激な増加により、シーケンシャル推薦システムは依然としていくつかの課題に直面している：(1) 疎な暗黙フィードバックから長期的なユーザ嗜好をモデル化することの困難さ；(2) ユーザーが直近にアクセスした数件のアイテムから短期的なユーザ嗜好を捉えることの難しさ。これらの課題に対処するために、我々は階層ゲーティングネットワーク（Hierarchical Gating Network, HGN）を提案し、ベイジアンパーソナライズランキング（Bayesian Personalized Ranking, BPR）と統合して、長期的および短期的なユーザ嗜好を捕捉する。我々のHGNは、特徴量ゲーティングモジュール、インスタンスゲーティングモジュール、およびアイテム-アイテム積モジュールで構成される。特に、特徴量ゲーティングモジュールとインスタンスゲーティングモジュールはそれぞれ特徴量レベルとインスタンスレベルで、どのアイテム特徴量が下流レイヤーに伝播されるかを選択する。また、アイテム-アイテム積モジュールは明示的にユーザーが過去にアクセスしたアイテムと将来アクセスするであろうアイテム間の関係を捕捉する。我々は5つの実世界データセット上で最新手法との比較や異なる検証指標を使用してモデルを広範囲に評価した。実験結果は、トップNシーケンシャル推薦における我々のモデルの有効性を示している。