最近，基于矩阵分解的推荐方法因违反三角不等式的问题而受到批评。尽管已提出几种基于度量学习的方法来克服这一问题，但现有的方法通常将每个用户映射到度量空间中的一个单一点，因此无法充分建模隐式反馈中用户-项目关系的强度和异质性。在本文中，我们提出了TransCF，以发现隐含在隐式用户-项目交互中的潜在用户-项目关系。受知识图谱嵌入中流行的翻译机制启发，我们通过利用用户和项目的邻域信息构建了特定于用户-项目的翻译向量，并根据用户与项目的关联关系将每个用户向项目进行翻译。我们的提议方法在七组真实世界数据集上的Top-N推荐任务中，最高可将命中率提高17%，优于几种最先进的方法。我们还对所提出的模型学到的翻译向量进行了广泛的定性评估，以验证采用翻译机制对于基于隐式反馈的推荐的有效性。