Der kürzlich vorgestellte EASE-Algorithmus bietet eine einfache und elegante Lösung für die top-N-Empfehlungsaufgabe. In dieser Arbeit führen wir Neural EASE ein, um die Leistung dieses Algorithmus durch die Integration von Techniken zur Ausbildung moderner neuronalen Netzwerke weiter zu verbessern. Zudem wächst in der Recommender-System-Community das Interesse an der Nutzung von Variationalen Autoencodern (VAE) für diese Aufgabe. Wir stellen einen tiefen Autoencoder namens FLVAE vor, der mehrere nichtlineare Schichten nutzt, ohne eine Informationsbottleneck-Struktur zu erfordern, und gleichzeitig nicht übermäßig der Identitätsfunktion anpasst. Wir zeigen, wie FLVAE parallel zu Neural EASE trainiert werden kann und erreicht dabei die bisher beste Leistung auf dem MovieLens-20M-Datensatz sowie wettbewerbsfähige Ergebnisse auf dem Netflix-Prize-Datensatz.