基于会话的推荐系统（Session-Based Recommenders, SBRs）旨在根据用户在当前会话中的历史交互行为预测其下一步偏好，而无需依赖用户的长期历史数据。现代SBR模型通常采用深度神经网络，将用户在正在进行的会话中当前的兴趣映射到一个低维隐空间，从而实现下一步行为的预测。尽管当前最先进的SBR模型已取得令人满意的效果，但大多数研究仍聚焦于会话内部事件序列的建模，而忽视了事件发生的时间细节。本文旨在探讨会话时间信息在提升SBR性能方面的潜力，其核心思想在于捕捉匿名用户在会话过程中的瞬时兴趣或心理状态变化。为此，我们提出了STAR框架，该框架利用会话内事件之间的时间间隔，构建更具信息量的物品与会话表示。我们的方法通过直接嵌入时间间隔来优化会话表征，避免了传统方法中对时间信息的离散化处理。在Yoochoose和Diginetica数据集上的实验结果表明，所提出的方法在Recall和MRR（Mean Reciprocal Rank）指标上均显著优于现有最先进基线模型。