Dieses Papier stellt CF-NADE vor, eine neuronale autoregressive Architektur für kollaborative Filterung (CF), die von dem auf eingeschränkten Boltzmann-Maschinen (RBM) basierenden CF-Modell und dem neuronalen autoregressiven Verteilungsschätzer (NADE) inspiriert wurde. Zunächst beschreiben wir das grundlegende CF-NADE-Modell für CF-Aufgaben. Anschließend schlagen wir eine Verbesserung des Modells durch das Teilen von Parametern zwischen verschiedenen Bewertungen vor. Eine faktorierte Version von CF-NADE wird ebenfalls vorgeschlagen, um die Skalierbarkeit zu erhöhen. Darüber hinaus berücksichtigen wir die ordinale Natur der Präferenzen und schlagen eine ordinale Kostenfunktion zur Optimierung von CF-NADE vor, die überzeugende Leistungen zeigt. Schließlich kann CF-NADE zu einem tiefen Modell erweitert werden, wobei die Rechenkomplexität nur moderat zunimmt. Experimentelle Ergebnisse zeigen, dass CF-NADE mit einer einzelnen verborgenen Schicht alle bisherigen Stand-of-the-Art-Methoden in den Datensätzen MovieLens 1M, MovieLens 10M und Netflix übertrifft und dass das Hinzufügen weiterer verborgener Schichten die Leistung weiter verbessern kann.