本文提出了一种用于协同过滤（CF）任务的神经自回归架构——CF-NADE，该架构受到基于限制玻尔兹曼机（RBM）的CF模型和神经自回归分布估计器（NADE）的启发。首先，我们描述了基本的CF-NADE模型在协同过滤任务中的应用。接着，我们提出通过在不同评分之间共享参数来改进该模型。为了提高可扩展性，还提出了一个分解版本的CF-NADE。此外，考虑到偏好具有序数性质，我们提出了一种序数成本函数来优化CF-NADE，这显示了其优越的性能。最后，CF-NADE可以扩展为深度模型，仅需适度增加计算复杂度。实验结果表明，单隐藏层的CF-NADE在MovieLens 1M、MovieLens 10M和Netflix数据集上超越了所有先前的最佳方法，并且增加更多的隐藏层可以进一步提升性能。