最近、行列分解に基づく推薦手法は、三角不等式違反の問題により批判を受けています。この問題を克服するためにいくつかの計量学習ベースのアプローチが提案されてきましたが、既存の手法は通常、各ユーザーを計量空間内の単一点に投影するため、暗黙フィードバックにおけるユーザー-アイテム関係の強度と多様性を適切にモデル化するのに十分ではありません。本論文では、暗黙的なユーザー-アイテム相互作用に内在する潜在的なユーザー-アイテム関係を発見するためにTransCF（Translation-based Collaborative Filtering）を提案します。知識グラフ埋め込みで普及した翻訳メカニズムに着想を得て、ユーザーとアイテムの近傍情報を利用してユーザー-アイテム固有の翻訳ベクトルを構築し、各ユーザーをそのユーザーとアイテムとの関係に基づいてアイテム方向に翻訳します。我々が提案する手法は、7つの実世界データセットにおいてヒット率で最大17%向上し、トップ-N推薦においていくつかの最先端手法を上回っています。また、我々が提案する手法によって学習された翻訳ベクトルについて広範な定性的評価を行い、暗黙フィードバックに基づく推薦において翻訳メカニズムを採用することの利点を確認しました。