In dieser Arbeit präsentieren wir eine neue mehrschichtige Neuronenarchitektur namens ONCF (Outer-Product Neural Collaborative Filtering), die zur Durchführung von kollaborativen Filterverfahren eingesetzt wird. Das Konzept besteht darin, ein äußeres Produkt zu verwenden, um die paarweisen Korrelationen zwischen den Dimensionen des Einbettungsraums explizit zu modellieren. Im Gegensatz zu bestehenden neuronalen Empfehlungsmodellen, die Benutzer- und Elementeinbettungen durch einfache Verkettung oder elementweise Multiplikation kombinieren, führt unser Vorschlag, das äußere Produkt über der Einbettungsschicht zu verwenden, zu einer zweidimensionalen Interaktionskarte, die ausdrucksstärker und semantisch plausibler ist. Über der durch das äußere Produkt erzielten Interaktionskarte schlagen wir vor, ein Faltungsneuronales Netzwerk (CNN) einzusetzen, um höhere Ordnungen von Korrelationen zwischen den Einbettungsdimensionen zu lernen. Ausführliche Experimente mit zwei öffentlichen impliziten Feedbackdatensätzen zeigen die Effektivität unseres vorgeschlagenen ONCF-Frameworks, insbesondere den positiven Effekt des Einsatzes des äußeren Produkts zur Modellierung von Korrelationen zwischen den Einbettungsdimensionen auf niedriger Ebene in einem mehrschichtigen neuronalen Empfehlungsmodell. Der Quellcode für die Experimente ist unter folgendem Link verfügbar: https://github.com/duxy-me/ConvNCF