Neuere Forschung hat die Vorteile der Verwendung von Autoencodern basierend auf tiefen neuronalen Netzen für die kooperative Filterung aufgezeigt. Insbesondere hat das kürzlich vorgeschlagene Mult-VAE-Modell, das auf multinomialer Likelihood und Variational Autoencoders (VAEs) basiert, hervorragende Ergebnisse für Top-N-Empfehlungen erzielt. In dieser Arbeit präsentieren wir das Recommender VAE (RecVAE)-Modell, das aus unserer Forschung zu Regularisierungstechniken für Variational Autoencoders hervorgegangen ist. RecVAE führt mehrere neue Ansätze zur Verbesserung von Mult-VAE ein, darunter eine neuartige zusammengesetzte Prior-Verteilung für die latenten Codierungen, einen neuen Ansatz zur Einstellung des $β$β-Hyperparameters im $β$β-VAE-Framework sowie eine neue Trainingsstrategie basierend auf abwechselnden Updates. In der experimentellen Bewertung zeigen wir, dass RecVAE bisher vorgeschlagene, auf Autoencodern basierende Modelle – einschließlich Mult-VAE und RaCT – auf klassischen kooperativen Filterungsdatenbanken erheblich übertrifft, und führen eine detaillierte Ablationsstudie zur Beurteilung unserer neuen Entwicklungen durch. Der Quellcode und die Modelle sind unter https://github.com/ilya-shenbin/RecVAE verfügbar.