本論文では、協調フィルタリング（Collaborative Filtering: CF）の課題に取り組むためのニューラルオートレグレッシブアーキテクチャであるCF-NADEを提案します。このモデルは、制限ボルツマンマシン（Restricted Boltzmann Machine: RBM）に基づくCFモデルとニューラルオートレグレッシブ分布推定器（Neural Autoregressive Distribution Estimator: NADE）から着想を得ています。まず、基本的なCF-NADEモデルについて説明します。次に、異なる評価間でパラメータを共有することでモデルを改善することを提案します。また、スケーラビリティの向上のために、ファクタード版のCF-NADEも提案しています。さらに、好みの順序性を取り入れ、CF-NADEの最適化に使用する順序コストを提案し、その優れた性能を示しています。最後に、計算複雑度が中程度にしか増加しないことを前提として、CF-NADEを深層モデルへ拡張することが可能です。実験結果によると、単一の隠れ層を持つCF-NADEはMovieLens 1M、MovieLens 10MおよびNetflixデータセットにおいてこれまでの最先端手法全てを上回り、さらに多くの隠れ層を追加することで性能が更に向上することが確認されました。