Nous présentons l'embedding de similarité collaborative (CSE), un cadre unifié qui exploite les relations collaboratives exhaustives disponibles dans un graphe bipartite utilisateur-élément pour l'apprentissage de représentations et la recommandation. Dans le cadre proposé, nous distinguons deux types de relations de proximité : la proximité directe et la proximité du voisinage d'ordre k. Lorsque l'on apprend à partir de la première, on utilise les associations utilisateur-élément directes observables dans le graphe ; quant à l'apprentissage à partir de la seconde, il s'appuie sur des associations implicites telles que les similarités utilisateur-utilisateur et élément-élément, qui peuvent fournir des informations précieuses, en particulier lorsque le graphe est creux. De plus, afin d'améliorer la scalabilité et la flexibilité, nous proposons une technique d'échantillonnage spécifiquement conçue pour capturer ces deux types de relations de proximité. Des expériences approfondies menées sur huit jeux de données de référence montrent que CSE offre des performances significativement meilleures que les méthodes de recommandation les plus avancées actuellement disponibles.