序列推荐通过建模用户历史行为序列来预测其未来偏好，是当前推荐系统领域的研究热点。然而，现有算法普遍面临物品嵌入随机初始化导致易陷入局部最优、数据稀疏场景下鲁棒性不足，以及忽略交互时间间隔对兴趣动态性影响这三大挑战。为此，提出了一种融合时间感知、协同嵌入与对比学习的序列推荐算法(Time-Aware Sequential Recommendation with Item2Vec and Contrastive Learning，I2V-CLRec)。该算法首先引入协同嵌入策略，利用Skip-gram模型预训练物品向量，将全局协同先验注入初始化矩阵以优化算法起点；其次，构建集成时间间隔信息的自注意力网络，应用对数分桶策略精细化建模交互时间差，精准捕捉用户兴趣的动态演化；此外，集成对比学习框架作为自监督正则化任务，通过序列增强构建自监督信号，提升算法在稀疏数据下的鲁棒性。在MovieLens-1M、Beauty和Digital-Music三个公开数据集上的实验表明，该算法在HR@10和NDCG@10指标上均显著优于多种主流基线算法。研究证实，协同嵌入初始化能有效引导算法向更优解空间收敛，而时间感知与对比学习的结合显著增强了算法对稀疏动态偏好的建模能力。