순차 추천은 이전의 상호작용 시퀀스와 불규칙한 간격을 기반으로 사용자 관심을 모델링하는 것을 목표로 하는 추천 시스템 분야의 핵심 영역이다. 기존의 순환 신경망 기반 및 어텐션 기반 접근법은 상당한 성과를 달성하였지만, 이들의 이산적 특성으로 인해 시스템의 연속성을 효과적으로 포착하지 못하는 한계가 있다. 연속 시간 모델링의 관점에서 상태공간 모델(State Space Model, SSM)은 사용자 관심의 시간에 따른 동적 변화를 효과적으로 포착할 수 있다는 잠재력을 지니고 있다. 그러나 기존의 SSM 기반 접근법은 사용자 상호작용 시퀀스 내 불규칙한 시간 간격의 영향을 무시하고 있어, 복잡한 사용자-아이템 전이를 정확히 모델링하기 어려운 문제가 있다. 이 문제를 해결하기 위해, 우리는 연속 시간 순차 추천을 위한 하이브리드 SSM 기반 모델인 SS4Rec을 제안한다. SS4Rec은 불규칙한 시간 간격을 처리하기 위한 시간 인지형 SSM과 맥락적 의존성을 모델링하기 위한 관계 인지형 SSM을 통합하여, 시간적 측면과 순차적 측면에서 모두 사용자 관심을 추론할 수 있도록 한다. 학습 과정에서는 시간 인지형 SSM은 사용자 상호작용 간격에 따라 가변적인 스텝 사이즈로 이산화되고, 관계 인지형 SSM은 입력 데이터에 따라 가변 스텝 사이즈로 이산화된다. 이를 통해 불규칙한 시간 간격에서의 연속적 의존성을 효과적으로 포착하고, 시간에 특화된 개인화된 추천을 가능하게 한다. 다섯 개의 벤치마크 데이터셋을 대상으로 수행한 실험 결과는 SS4Rec이 우수하고 효과적임을 입증한다.