In einem mehrkriteriellen Empfehlungssystem dürfen Benutzer einem Item eine Gesamtbewertung geben und zudem für jedes seiner Merkmale eine individuelle Bewertung abgeben. Die Entwicklung einer effektiven Methode zur Ausnutzung der mehrkriteriellen Bewertungen eines Benutzers zur Vorhersage der Gesamtbewertung stellt eine der zentralen Herausforderungen dar. Unter den traditionellen Ansätzen sind die meisten Architekturen nicht end-to-end ausgelegt. Diese Verfahren schätzen zunächst die mehrkriteriellen Bewertungen eines Benutzers ab und trainieren anschließend ein separates Modell zur Vorhersage der Gesamtbewertung. Dies führt zu zusätzlichem Trainingsaufwand, und die Genauigkeit der Gesamtvorhersage ist typischerweise empfindlich gegenüber den Modellen für die mehrkriteriellen Bewertungen. In diesem Paper stellen wir ein kollektives Modell vor, das die Gesamtbewertung eines Benutzers durch automatische Gewichtung der vorhergesagten Teilbewertungen für jedes Merkmal vorhersagt. Die vorgeschlagene Architektur integriert die Modelle für mehrkriterielle Bewertungen und die Gesamtbewertung in einem einheitlichen System, wodurch das Training und die Durchführung von mehrkriteriellen Empfehlungen end-to-end möglich wird. Experimente an drei realen Datensätzen zeigen, dass unsere vorgeschlagenen Architekturen gegenüber Basisansätzen eine Vorhersagegenauigkeit um bis zu 13,14 % verbessern können.