Neuronale Netzwerkansätze in Empfehlungssystemen haben durch die Darstellung einer großen Menge an Artikeln als lernbare Vektor-Embedding-Tabelle bemerkenswerte Erfolge erzielt. Allerdings können selten vorkommende Artikel unter unzureichenden Trainingsmöglichkeiten leiden, was die Lernbarkeit aussagekräftiger Darstellungen erschwert. Wir zeigen, dass in attribut- und kontextbewussten Szenarien die schlecht gelernten Embeddings selten vorkommender Artikel die Empfehlungsgenauigkeit beeinträchtigen. Um dieses Problem anzugehen, schlagen wir eine auf Proxy basierende Artikelrepräsentation vor, bei der jeder Artikel als gewichtete Summe lernbarer Proxy-Embeddings dargestellt wird. Dabei werden die Proxy-Gewichte durch die Attribute und den Kontext jedes Artikels bestimmt und können bei häufigen Artikeln zusätzliche Bias-Terme enthalten, um kollaborative Signale noch besser zu erfassen. Die proxybasierte Methode berechnet die Artikelrepräsentationen kompositionell, wodurch sichergestellt ist, dass jede Repräsentation innerhalb eines gut trainierten Simplex befindet und somit eine garantierte Qualität aufweist. Darüber hinaus ermöglicht die gemeinsame Nutzung der Proxy-Embeddings über alle Artikel, dass selten vorkommende Artikel in einer einheitlichen Modellstruktur und end-to-end-Weise Trainingsinformationen von häufigen Artikeln übernehmen können. Unser vorgeschlagenes Verfahren ist ein plug-and-play-Modell, das die Item-Encoding-Schicht jedes neuralen Netzwerk-basierten Empfehlungssystems ersetzen kann und dabei die Empfehlungsleistung konsequent verbessert, jedoch mit deutlich geringerem Parameterverbrauch. Experimente auf realen Empfehlungsbenchmark-Datensätzen zeigen, dass unser Modell die state-of-the-art-Modelle hinsichtlich der Empfehlungsgenauigkeit um bis zu 17 % übertrifft, während es lediglich 10 % der Parameter benötigt.