La recommandation de contenu est devenue un élément central de l'Internet moderne pour permettre aux utilisateurs de naviguer parmi la masse d'information à leur disposition. Dans ce papier, nous proposons un algorithme décentralisé appelé \textsc{SoCS (Social Coordinate Systems}) qui permet de plonger un graphe social dans un espace Euclidien afind'effectuer des recommandations. Nous utilisons un algorithme de dessin de graphe basé sur un modèle de forces afin de mettre en évidence les communautés présentes dans un graphe. Nous présentons ici une solution décentralisée car cela \textit{(i)} passe à l'échelle dans des systèmes dynamiques rassemblant plusieurs milliers d'utilisateurs, et \textit{(ii)} permet d'éviter qu'une entité centrale ait accès à toutes les données privées des utilisateurs. Nous évaluons \textsc{SoCS} à travers deux modèles de force différents et les comparons dans le contexte d'une topologie petit-monde issue du modèle de Kleinberg. En particulier, nous montrons que \textsc{SoCS} permet de clairement différencier les liens courts des liens longs. Nous évaluons également \textsc{SoCS} sur des données réelles issues de DBLP, et montrons que des liens retirés peuvent être prédits grâce à notre algorithme. Enfin, nous montrons que notre algorithme est extrêmement résistant aux perturbations.