El filtrado colaborativo basado en grafos puede encontrar eficientemente los intereses ocultos de los usuarios para los sistemas de recomendación en los últimos años. Este método puede aprender interacciones complejas entre nodos en el grafo, identificar las preferencias de los usuarios y proporcionar recomendaciones satisfactorias. Sin embargo, los sistemas de recomendación enfrentan el desafío de la escasez de datos. Para abordar esto, estudios recientes han utilizado el aprendizaje contrastivo para aprovechar las estructuras de datos no etiquetados. Sin embargo, los métodos de muestreo de ejemplos positivos y negativos existentes no son razonables. El muestreo basado en aleatoriedad o en aumento de datos no puede aprovechar la información latente útil. Los métodos de muestreo basados en agrupamiento ignoran la semántica de las características de los nodos y la relación entre la información global y local. Para utilizar las estructuras latentes en los datos, presentamos un nuevo método de Aprendizaje Contrastivo Mejorado por Comunidad para ayudar a la tarea principal de recomendación llamado CECL, que utiliza un algoritmo de detección de comunidades para muestrear ejemplos con información semántica y global, utilizando conexiones de comunidades conocidas y ocultas en el grafo de interacción bipartita. Se realizaron experimentos extensos en dos conjuntos de datos conocidos, cuyos resultados muestran una mejora del rendimiento del 12% y 8% en comparación con los métodos de referencia existentes.