Metrik-Lern-Algorithmen erzeugen Abstandsmaße, die die wesentlichen Beziehungen zwischen Daten erfassen. In dieser Arbeit untersuchen wir die Verbindung zwischen Metrik-Lernen und kollaborativer Filterung. Wir schlagen Collaborative Metric Learning (CML) vor, das einen gemeinsamen Metrikraum lernt, um nicht nur Nutzerpräferenzen, sondern auch die Ähnlichkeit zwischen Nutzern und zwischen Artikeln zu kodieren. Der vorgeschlagene Algorithmus übertrifft state-of-the-art-Verfahren der kollaborativen Filterung in einer Vielzahl von Empfehlungsaufgaben und enthüllt das zugrundeliegende Spektrum feinabgestimmter Nutzerpräferenzen. Zudem erreicht CML bei Top-K-Empfehlungsaufgaben eine erhebliche Beschleunigung durch den Einsatz von Standard-Approximationen für die nähesten Nachbarn, wobei die Genauigkeit nur minimal leidet.