L'algorithme EASE récemment introduit propose une approche simple et élégante pour résoudre la tâche de recommandation top-N. Dans cet article, nous présentons Neural EASE, une amélioration de cet algorithme permettant d'obtenir de meilleurs résultats grâce à l'intégration de techniques de formation propres aux réseaux neuronaux modernes. Par ailleurs, l'intérêt croissant de la communauté recsys pour l'utilisation des autoencodeurs variationnels (VAE) dans ce contexte s'accentue. Nous introduisons alors FLVAE, un autoencodeur profond bénéficiant de plusieurs couches non linéaires sans contrainte d'information (bottleneck), tout en évitant tout surapprentissage vers l'identité. Nous détaillons comment entraîner FLVAE en parallèle avec Neural EASE, et démontrons ainsi des performances de pointe sur le jeu de données MovieLens 20M, ainsi des résultats compétitifs sur le jeu de données Netflix Prize.