Kürzlich wurden matrixbasierte Empfehlungsverfahren wegen des Problems der Verletzung der Dreiecksungleichung kritisiert. Obwohl mehrere metrisches Lernen-basierte Ansätze vorgeschlagen wurden, um dieses Problem zu überwinden, projizieren die bestehenden Ansätze in der Regel jeden Benutzer auf einen einzelnen Punkt im metrischen Raum und sind daher nicht ausreichend, um die Intensität und Heterogenität von Benutzer-Item-Beziehungen bei implizitem Feedback angemessen zu modellieren. In dieser Arbeit schlagen wir TransCF vor, um solche latenten Benutzer-Item-Beziehungen, die in impliziten Benutzer-Item-Interaktionen enthalten sind, zu entdecken. Inspiriert durch das Übersetzungsmechanismus, das durch Wissensgraph-Einbettungen populär wurde, konstruieren wir benutzer- und item-spezifische Übersetungsvektoren unter Verwendung der Nachbarschaftsinformationen von Benutzern und Items und übersetzen jeden Benutzer in Richtung der Items gemäß den Beziehungen des Benutzers zu den Items. Unsere vorgeschlagene Methode übertrifft mehrere state-of-the-art-Methoden für Top-N-Empfehlungen auf sieben realen Datensätzen bis zu 17 % hinsichtlich des Trefferquotienten. Wir führen auch umfangreiche qualitative Bewertungen der durch unsere Methode gelernten Übersetungsvektoren durch, um den Nutzen des Einsatzes des Übersetzungsmechanismus für empfehlungsbasierte Systeme mit implizitem Feedback zu bestätigen.