Wir präsentieren die Collaborative Similarity Embedding (CSE), ein einheitliches Framework, das umfassende kollaborative Beziehungen in einem bipartiten Benutzer-Item-Graphen für die Repräsentationslernen und Empfehlung ausnutzt. Im vorgeschlagenen Framework unterscheiden wir zwei Arten von Nachbarschaftsbeziehungen: direkte Nachbarschaft und k-te Ordnungs-Nachbarschaft. Während das Lernen aus der erstgenannten Art direkte Benutzer-Item-Assoziationen nutzt, die aus dem Graphen ablesbar sind, ermöglicht das Lernen aus der zweitgenannten Art die Nutzung impliziter Assoziationen wie Benutzer-Benutzer-Ähnlichkeiten und Item-Item-Ähnlichkeiten, die insbesondere bei dünn besetzten Graphen wertvolle Informationen liefern können. Darüber hinaus schlagen wir eine speziell entwickelte Sampling-Technik vor, um die Skalierbarkeit und Flexibilität zu verbessern, welche darauf ausgelegt ist, beide Arten von Nachbarschaftsbeziehungen zu erfassen. Ausführliche Experimente mit acht Benchmark-Datensätzen zeigen, dass CSE erheblich bessere Leistungen als state-of-the-art-Empfehlungsverfahren erzielt.