Todos los algoritmos de recomendación actuales, al modelar las interacciones entre usuario e ítem, básicamente utilizan el producto punto. Este cálculo de producto punto se deriva de la factorización de matrices. Sostenemos que una desventaja inherente de la factorización de matrices es que los vectores semánticos latentes de usuarios o ítems a veces no satisfacen desigualdades triangulares, lo que puede afectar el rendimiento de la recomendación. Recientemente, se propuso la factorización métrica para reemplazar la factorización de matrices y ha logrado algunas mejoras en términos de precisión de recomendación. Sin embargo, similar a la factorización de matrices, la factorización métrica todavía utiliza un enfoque simple y lineal. En este documento, exploramos la posibilidad de aprovechar redes neuronales profundas no lineales para realizar la interacción de distancia euclidiana entre usuarios e ítems. Proponemos un Marco Genérico de Factorización Métrica Neural (NMetricF), que aprende representaciones para usuarios e ítems incorporando la factorización métrica euclidiana en redes neuronales profundas. Experimentos extensos en seis conjuntos de datos del mundo real muestran que, en comparación con los algoritmos de recomendación anteriores basados puramente en datos de calificación, NMetricF logra el mejor rendimiento.