我们将变分自编码器（VAEs）扩展到隐式反馈的协同过滤中。这一非线性概率模型使我们能够超越仍然在协同过滤研究中占据主导地位的线性因子模型有限的建模能力。我们引入了一个具有多项式似然性的生成模型，并使用贝叶斯推断进行参数估计。尽管在语言建模和经济学中广泛使用，多项式似然性在推荐系统文献中却较少受到关注。我们为学习目标引入了一个不同的正则化参数，这被证明对于实现有竞争力的性能至关重要。值得注意的是，通过退火方法可以高效地调整该参数。所得到的模型和学习算法在信息论方面与最大熵判别和信息瓶颈原理有关联。实证研究表明，所提出的 方法在多个真实世界数据集上显著优于包括两种最近提出的神经网络方法在内的几种最先进的基线方法。我们还进行了扩展实验，比较了潜在因子协同过滤文献中常用的其他似然函数与多项式似然性，并展示了有利的结果。最后，我们指出了采用原则性的贝叶斯推断方法的优点和缺点，并描述了其提供最显著改进的情境设置。