这篇发表在AAAI上的文章提出IOCLRec框架，通过动态建模用户意图改进序列推荐。方法将用户历史交互分割为粗粒度意图子序列，设计三个对比学习模块：细粒度意图聚类实现跨用户对比；单意图模块增强主导意图；多意图模块捕捉意图转换。实验在亚马逊数据集上验证了其优于现有模型（HR@20提升4.12%）。该工作创新性地将意图动态性与对比学习结合，为可解释推荐提供新思路。

本文介绍了一种结合语言模型与协同语义的推荐方法LC-Rec，解决了推荐系统中语义鸿沟问题。核心方法包括：1）通过RQ-VAE量化生成语义ID，并引入最优传输理论优化分配以减少语义冲突；2）设计三类语义对齐任务（显式索引、隐式推荐导向、个性化偏好推断）来增强语言与协同语义的融合。实验在亚马逊三个品类数据集上验证了方法的有效性，相比TIGER等基线模型有显著提升。该研究为大模型在推荐系统的应用提供了新