최근 들어 협업 필터링을 위한 신경망 기반 모델에 대한 관심이 증가하고 있다. 연구의 한 분야는 사용자 선호도를 모델링하기 위해 심층 생성 모델을 활용하는 것으로, 변분 오토인코더(Variational Autoencoders, VAEs)가 최첨단 성능을 보여주었다는 것이 입증되었다. 그러나 현재의 VAE가 협업 필터링(CF)에 적용될 때 몇 가지 문제적 특성이 존재한다. 첫째, 사용자 선호도의 잠재 표현을 학습할 때 VAE가 도입하는 너무 단순한 사전 확률(prior)이다. 둘째, 각 네트워크에 하나 이상의 은닉층을 가진 더 깊은 표현을 학습할 수 없는 모델의 한계이다. 본 연구의 목적은 이러한 변분 오토인코더 기반 협업 필터링의 문제점을 완화하고, 추천 성능을 더욱 향상시키기 위한 적절한 기법을 도입하는 것이다. 본 연구는 협업 필터링에 유연한 사전 확률(prior)을 도입한 최초의 사례이며, 기존 VAE에서 사용하는 단순한 사전 확률이 사용자 선호도를 충분히 모델링하기에 지나치게 제한적일 수 있음을 보이고, 더 유연한 사전 확률 설정이 상당한 성능 향상을 가져온다는 점을 입증한다. 우리는 이미지 생성에 처음 제안된 VampPrior를 활용하여, 유연한 사전 확률이 협업 필터링에 미치는 영향을 실험적으로 분석하였다. 또한, 게이팅 메커니즘과 결합된 VampPrior가 MovieLens 및 Netflix와 같은 두 가지 대표적인 벤치마크 데이터셋에서 기존의 변분 오토인코더 기반 협업 필터링 모델을 포함한 최첨단(SOTA) 기법들을 의미 있는 수준으로 상회함을 보였다.