F.Garcin và các cộng sự [20] đề xuất một bộ lọc cộng tác dựa trên việc theo dõi thạng thái duyệt tin của người dùng. Mô hình đưa ra gồm 2 tham số: tham số quá khứ p
và tham số tương lai f. Tham số quá khứ p chỉ ra lượng thông tin trong lịch sử dùng trong việc tạo gợi ý và tham số tương lại f là số bước dự đoán trong tương lai. Ví dụ nếu p=3 và f=2, mô hình hệ thống là mô hình 3 chiều và tìm kiếm khả năng dự đoán hành động người dùng trong 1 hoặc 2 bước tiếp theo.
Ký hiệu N là tập hợp bản tin, và S là tập hợp các trạng thái. Một trạng thái s ∈ S là một chuỗi gồm p bản tin, biểu diễn s = (n1, n2, …, np) với ý nghĩa n1→n2→…→np. Mỗi lượt duyệt tin của người dùng biểu diễn bởi 1 chuỗi trạng thái. Ví dụ nếu p=3, người dùng duyệt qua các bản tin với thứ tự n1→n2→n3→n4→n5, phiên truy cập biểu diễn qua chuỗi trạng thái (n1→n2→n3)→(n2→n3→n4)→(n3→n4→n5).
Bộ lọc cộng tác trên cơ sở bản tin định nghĩa như sau. Ký hiệu TP(si,sj) là khả năng xảy ra chuyển đổi từ trạng thái si sang trạng thái sj, biểu diễn bằng tỉ lệ số lượng trường hợp chuyển đổi si sang sj xảy ra trên tổng số lần chuyển đổi từ si sang một trạng thái trên hệ thống.
TP ( si, s j)=
Với bản tin n và trạng thái s = (n1, n2, …, np), khả năng người dùng đang ở trạng thái s chuyển sang đọc bản tin n ngay sau 1 lần chuyển trạng thái là
RP ( s , n)= TP( s, ( n , n ,..., n
Áp dụng cho tham số tương lai f, khả năng người dùng đang ở trạng thái s chuyển sang đọc bản tin n sau f bước chuyển trạng thái là
RPf( s , n ) =∑TP ( s , s ') RPf−1 ( s ', n)
s '∈S
Do đó, khả năng duyệt tới bản tin n từ trạng thái s sau nhiều nhất f bước chuyển trạng thái là
score ( n | s )=∑ RPi
Hệ thống tính toán điểm số cho từng bản tin muốn gợi ý và đưa ra danh sách theo thứ tự điểm số giảm dần. Với các công thức tính điểm trên, có thể coi đây là hệ thống gợi ý theo chuỗi bản tin (sequence-of-news).
Ta có thể coi một phiên duyệt tin là tập hợp các bản tin thay vì một chuỗi có thứ tự. Ví dụ nếu trong mô hình 2 bước có thể coi như việc người dùng A truy cập theo thứ tự n- 1→n2 và người dùng B truy cập theo thứ tự n2→n1 là như nhau và cùng ứng với tập hợp tin (n1,n2). Với cách đó thuật toán trở nên đơn giản, linh hoạt hơn do số lượng thông tin để tạo gợi ý cho một trạng thái sẽ nhiều lên. Nói cách khác, trình tự đọc tin của người dùng không nhất thiết phải đúng chính xác như những người dùng khác nhưng cần phải chứa cùng một tập hợp bản tin. Định nghĩa về khả năng người dùng duyệt tới bản tin n có sự thay đổi, trở thành khả năng chuyển đổi từ một tập hợp bản tin sang một tập hợp bản tin khác có chứa n. Hệ thống trở thành hệ thống gợi ý theo tập hợp bản tin (bag-of-news).
Một mô hình khác coi việc xuất hiện đồng thời (co-occurrence) như là khả năng chuyển đổi. Trong giai đoạn luyện tập tham số quá khứ p và tham số tương lai f được gán giá trị bằng nhau. Tất cả p bản tin gần nhất được coi là hàng xóm của bản tin hiện tại. Do đó tập hợp các bản tin hàng xóm xuất hiện trước hoặc sau bản tin hiện tại nhưng không quá p bước. Những bản tin nào có điểm số xuất hiện đồng thời cao nhất được đưa vào danh sách gợi ý.
Trong mô hình bộ lọc theo chuỗi sự kiện còn tồn tại hai vấn đề cần giải quyết. Thứ nhất là việc tạo gợi ý cho các bản tin mới khi chưa có nhiều lượt truy cập liên quan tới bản tin đó. Vấn đề này có thể giải quyết bằng việc chuyển sang lấy kết quả của hệ thống gợi ý dựa vào mức độ phổ biến: gợi ý những bản tin có nhiều lượt truy cập nhất. Thứ hai là khi sử dụng tham số quá khứ p có giá trị lớn, chuỗi bản tin truy cập cũng dài theo và quá riêng biệt, khó tạo gợi ý khi cơ sở dữ liệu không có đủ bản mẫu. Nếu xảy ra vấn đề này cần giảm độ lớn của p để tìm giá trị thích hợp.