لقد كانت النماذج القائمة على التضمين (Embedding-based models) هي الحالة المتطورة في التصفية التعاونية (Collaborative Filtering) لأكثر من عقد من الزمن. بشكل تقليدي، استُخدم حاصل الضرب القياسي (dot product) أو ما يعادله من الدرجات الأعلى لدمج تضمينين أو أكثر، مثل ما هو شائع في تحليل المصفوفات (Matrix Factorization). في السنوات الأخيرة، اُقترح استبدال حاصل الضرب القياسي بقياس تشابه مُدرَّب، مثلاً باستخدام شبكة عصبية متعددة الطبقات (Multilayer Perceptron - MLP). يُعرف هذا النهج غالبًا باسم التصفية التعاونية العصبية (Neural Collaborative Filtering - NCF). في هذا العمل، نعيد النظر في التجارب الواردة في ورقة NCF التي جعلت التشابه المدرَّب باستخدام MLP شائعًا. أولاً، نُظهر أن اختيار المُعاملات (hyperparameters) المناسبة يُمكن أن يجعل حاصل الضرب القياسي البسيط يتفوق بشكل كبير على التشابهات المدرَّبة المقترحة. ثانيًا، وعلى الرغم من أن الشبكة العصبية متعددة الطبقات قادرة نظريًا على تقريب أي دالة، نُظهر أن تعلُّم حاصل الضرب القياسي باستخدام MLP ليس أمرًا سهلاً. أخيرًا، نناقش المشكلات العملية التي تنشأ عند تطبيق قياسات التشابه القائمة على MLP، ونُظهر أن الشبكات العصبية متعددة الطبقات تكون مكلفة جدًا للاستخدام في بيئات الإنتاج الخاصة بتوصية العناصر، في حين أن حاصل الضرب القياسي يسمح باستخدام خوارزميات استرجاع فعالة للغاية. نخلص إلى أن الشبكات العصبية متعددة الطبقات يجب استخدامها بحذر كمُدمج لتضمينات، وأن حاصل الضرب القياسي قد يكون خيارًا افتراضيًا أفضل.