Ein Standardmodell für Empfehlungssysteme ist die Matrix-Vervollständigungs-Einstellung: bei einer teilweise bekannten Bewertungsmatrix, in der Benutzer (Zeilen) Bewertungen für Elemente (Spalten) geben, sollen die unbekannten Bewertungen abgeleitet werden. In den letzten Jahrzehnten wurden nur wenige Versuche unternommen, dieses Ziel mit neuronalen Netzen zu erreichen, aber kürzlich hat sich eine Architektur auf Basis von Autoencodern als vielversprechender Ansatz erwiesen. In dieser Arbeit haben wir diese Architektur (i) durch die Verwendung einer Verlustfunktion verbessert, die auf Eingabedaten mit fehlenden Werten angepasst ist, und (ii) durch die Einbeziehung von Nebeninformationen. Die Experimente zeigen, dass während Nebeninformationen den durchschnittlichen Testfehler über alle Benutzer/Elemente nur geringfügig verbessern, sie einen größeren Einfluss auf kalte Benutzer/Elemente haben.