Wir betrachten die Matrix-Vervollständigung für Empfehlungssysteme aus der Perspektive der Link-Vorhersage in Graphen. Interaktionsdaten wie Filmbewertungen können durch einen bipartiten Benutzer-Item-Graphen mit beschrifteten Kanten dargestellt werden, die die beobachteten Bewertungen anzeigen. Aufbauend auf jüngsten Fortschritten im Bereich des tiefen Lernens auf graphstrukturierten Daten schlagen wir ein Framework eines Graph-Autoencoders vor, das auf dem bipartiten Interaktionsgraphen basiert und durch differenzierbares Nachrichtenaustausch (message passing) funktioniert. Unser Modell zeigt wettbewerbsfähige Leistungen bei standardisierten Benchmarks für kollaboratives Filtern. In Szenarien, in denen ergänzende Merkmalsinformationen oder strukturierte Daten wie soziale Netzwerke verfügbar sind, übertrifft unser Framework aktuelle Methoden an der Spitze der Entwicklung (state-of-the-art methods).