推薦システムにおけるニューラルネットワークアプローチは、多数のアイテムを学習可能なベクトル埋め込みテーブルとして表現することで、顕著な成功を収めている。しかし、頻度の低いアイテムは十分な学習機会に恵まれず、意味のある表現を学習することが困難になる。本研究では、属性および文脈に配慮した設定において、頻度の低いアイテムの学習が不十分な埋め込みが推薦精度を低下させることを明らかにした。この問題に対処するため、各アイテムを学習可能なプロキシ埋め込みの重み付き和として表現する新たなプロキシベースのアイテム表現を提案する。ここで、プロキシの重みは各アイテムの属性および文脈に基づいて決定され、頻度の高いアイテムに対してはさらに協調信号を反映できるようにバイアス項を組み込むことが可能である。プロキシベースの手法はアイテム表現を構成的に計算することで、各表現が良好に訓練された単体（simplex）内に位置することを保証し、品質の保証を実現する。さらに、すべてのアイテムに共通してプロキシ埋め込みを共有することで、頻度の低いアイテムが統一的なモデル構造とエンド・ツー・エンドのアプローチにより、頻度の高いアイテムの学習信号を借用できる。本研究で提案する手法は、任意のニューラルネットワークベースの推薦モデルのアイテムエンコーディング層を置き換えることが可能なプラグアンドプレイ型モデルであり、パラメータ数を大幅に削減しつつ、一貫して推薦性能を向上させる。実世界の推薦ベンチマークデータセットを用いた実験により、提案モデルが最先端モデルを上回る推薦精度を達成し、最大で17%の性能向上を実現しつつ、パラメータ数はわずか10%に抑えることが確認された。