Un modèle standard pour les systèmes de recommandation est le cadre de complétion de matrice : étant donné une matrice partiellement connue des notes attribuées par les utilisateurs (lignes) aux éléments (colonnes), inférer les notes inconnues. Au cours des dernières décennies, peu d'essais ont été faits pour atteindre cet objectif à l'aide de réseaux neuronaux, mais récemment, une architecture basée sur les autoencodeurs s'est avérée être une approche prometteuse. Dans cet article, nous avons amélioré cette architecture (i) en utilisant une fonction de perte adaptée aux données d'entrée avec des valeurs manquantes, et (ii) en intégrant des informations annexes. Les expériences montrent que si les informations annexes n'améliorent que légèrement l'erreur de test moyenne sur tous les utilisateurs/éléments, elles ont un impact plus important sur les utilisateurs/éléments froids.