Les algorithmes d'apprentissage de métriques produisent des métriques de distance qui captent les relations pertinentes au sein des données. Dans ce travail, nous étudions le lien entre l'apprentissage de métriques et le filtrage collaboratif. Nous proposons une méthode appelée Apprentissage collaboratif de métriques (CML), qui apprend un espace de métriques conjoint pour encoder non seulement les préférences des utilisateurs, mais aussi les similarités entre utilisateurs et entre articles. L'algorithme proposé surpasser les meilleures méthodes actuelles de filtrage collaboratif sur une large gamme de tâches de recommandation, tout en mettant en évidence le spectre sous-jacent des préférences fines des utilisateurs. De plus, CML permet une accélération significative des tâches de recommandation des K meilleurs éléments en utilisant des recherches de plus proches voisins approximatifs standards, avec une perte négligeable en précision.