Récemment, les méthodes de recommandation basées sur la factorisation matricielle ont été critiquées pour le problème lié à la violation de l'inégalité triangulaire. Bien que plusieurs approches basées sur l'apprentissage de métriques aient été proposées pour surmonter cette difficulté, les méthodes existantes projettent généralement chaque utilisateur en un seul point dans l'espace métrique, ce qui n'est pas suffisant pour modéliser correctement l'intensité et la hétérogénéité des relations utilisateur-élément dans les retours implicites. Dans cet article, nous proposons TransCF pour découvrir ces relations latentes utilisateur-élément incarnées dans les interactions implicites utilisateur-élément. Inspirés par le mécanisme de traduction popularisé par l'embedding de graphes de connaissances, nous construisons des vecteurs de traduction spécifiques aux utilisateurs et aux éléments en utilisant les informations du voisinage des utilisateurs et des éléments, et traduisons chaque utilisateur vers les éléments selon les relations que l'utilisateur entretient avec ces éléments. Notre méthode proposée surpasses plusieurs méthodes d'avant-garde pour la recommandation top-N sur sept jeux de données réels, avec une amélioration allant jusqu'à 17 % en termes de taux de succès. Nous avons également mené des évaluations qualitatives approfondies sur les vecteurs de traduction appris par notre méthode proposée afin de confirmer les avantages du recours au mécanisme de traduction pour les recommandations basées sur des retours implicites.