Des recherches récentes ont mis en évidence les avantages de l’utilisation d’autoencodeurs fondés sur des réseaux neuronaux profonds pour le filtrage collaboratif. En particulier, le modèle Mult-VAE récemment proposé, qui repose sur des autoencodeurs variationnels à vraisemblance multinomiale, a obtenu des résultats remarquables pour les recommandations top-N. Dans ce travail, nous proposons un nouveau modèle appelé Recommender VAE (RecVAE), issu de nos recherches sur les techniques de régularisation pour les autoencodeurs variationnels. RecVAE introduit plusieurs innovations visant à améliorer Mult-VAE, notamment une nouvelle distribution a priori composite pour les codes latents, une approche originale pour le réglage du hyperparamètre $β$β dans le cadre des $β$β-VAE, ainsi qu’une nouvelle stratégie d’entraînement fondée sur des mises à jour alternées. Une évaluation expérimentale montre que RecVAE surpasse significativement les modèles précédemment proposés basés sur les autoencodeurs, y compris Mult-VAE et RaCT, sur des jeux de données classiques de filtrage collaboratif, et inclut une étude d’ablation détaillée pour évaluer les contributions de nos nouvelles propositions. Le code et les modèles sont disponibles à l’adresse suivante : https://github.com/ilya-shenbin/RecVAE.