Viele Methoden des unüberwachten Darstellungslernens gehören zur Klasse der Ähnlichkeitslernmodelle. Während für verschiedene Datentypen spezifische Modality-Ansätze existieren, ist eine zentrale Eigenschaft vieler Verfahren, dass Darstellungen ähnlicher Eingaben bezüglich einer bestimmten Ähnlichkeitsfunktion nahe beieinander liegen. Wir stellen EMDE (Efficient Manifold Density Estimator) vor – einen Rahmen, der beliebige Vektorrepräsentationen mit der Eigenschaft lokaler Ähnlichkeit nutzt, um glatte Wahrscheinlichkeitsdichten auf Riemannschen Mannigfaltigkeiten kompakt darzustellen. Unsere approximative Darstellung verfügt über die wünschenswerten Eigenschaften einer festen Größe und einfacher additiver Komposition, wodurch sie besonders gut für den Einsatz mit neuronalen Netzen geeignet ist – sowohl als Eingabe- als auch als Ausgabformat – und effiziente bedingte Schätzer ermöglicht. Wir verallgemeinern und reformulieren das Problem der multimodalen Empfehlungen als bedingte, gewichtete Dichteschätzung auf Mannigfaltigkeiten. Unser Ansatz erlaubt die triviale Integration mehrerer Interaktionsarten, Datentypen sowie Interaktionsstärken in beliebige Empfehlungsszenarien. Die Anwendung von EMDE auf top-k- und sessionbasierte Empfehlungsszenarien führt auf mehreren offenen Datensätzen zu neuen State-of-the-Art-Ergebnissen sowohl in ein- als auch in multimodalen Umgebungen.