順次推薦は、ユーザーの歴史的相互作用シーケンス（不規則な時間間隔を伴う）に基づいてユーザーの関心をモデル化することを目的とする推薦システム分野における重要な研究領域である。これまでの再帰型ニューラルネットワーク（RNN）ベースおよびアテンションベースの手法は顕著な成果を上げてきたが、離散的な特性によりシステムの連続性を十分に捉えることが困難であるという課題を抱えていた。連続時間モデルの文脈において、状態空間モデル（State Space Model, SSM）は、ユーザー関心の時間的動的変化を効果的に捉える可能性を秘めており、有望な解決策とされている。しかし、既存のSSMベースのアプローチは、ユーザーの歴史的相互作用における不規則な時間間隔の影響を無視しており、シーケンス内での複雑なユーザー・アイテム遷移を正確にモデル化することが困難であった。この課題に対処するため、本研究では連続時間順次推薦を目的としたハイブリッドSSMベースのモデル「SS4Rec」を提案する。SS4Recは、不規則な時間間隔に対応するための時刻感知型SSMと、文脈依存性をモデル化するための関係感知型SSMを統合することで、時間的側面と順序的側面の両面からユーザー関心を推論可能とする。訓練プロセスにおいて、時刻感知型SSMはユーザーの相互作用時間間隔に応じて可変ステップサイズで離散化され、関係感知型SSMは入力データに応じて離散化される。これにより、不規則な時間間隔に由来する連続的な依存関係を捉え、時間に特化したパーソナライズされた推薦を実現することができる。5つのベンチマークデータセットを用いた実験により、SS4Recの優位性と有効性が実証された。