Los sistemas de recomendación de artículos son importantes para aliviar la sobrecarga de información académica. Tales sistemas proporcionan recomendaciones personalizadas basadas en retroalimentación implícita de los usuarios, complementada con su información de asignatura, redes de citas, etc. Sin embargo, estos sistemas de recomendación enfrentan problemas como la escasez de datos para muestras positivas y la incertidumbre para muestras negativas. En este documento, abordamos estos dos problemas y mejoramos desde la perspectiva del aprendizaje métrico. El algoritmo se modela como una función de pérdida de empuje-tirón. Para la operación de extracción de muestra positiva, introducimos un factor de contexto, que acelera la convergencia de la función objetivo a través de la regla de multiplicación para aliviar el problema de escasez de datos. Para la operación de empuje de muestra negativa, adoptamos un método de muestra negativa global imparcial y utilizamos un método de almacenamiento en caché de matriz intermedia para reducir enormemente la complejidad computacional. Los resultados experimentales en dos conjuntos de datos reales muestran que nuestro método supera a otros métodos de línea base en términos de precisión de recomendación y eficiencia computacional. Además, nuestro método de aprendizaje métrico que introduce contexto mejora en más del 5% sobre el método de mínimos cuadrados alternantes por elementos. Demostramos el potencial del aprendizaje métrico para abordar el problema de los sistemas de recomendación de retroalimentación implícita con desequilibrios de muestras positivas y negativas.