Los sistemas de recomendación son herramientas en línea poderosas que ayudan a superar los problemas de sobrecarga de información. Hacen recomendaciones personalizadas a los usuarios en línea utilizando diversas técnicas de minería de datos y filtrado. Sin embargo, la mayoría de los sistemas de recomendación existentes utilizan una única calificación para representar la preferencia del usuario sobre un artículo. Estas técnicas tienen varias limitaciones, ya que la preferencia del usuario hacia los artículos puede depender de varios atributos de los mismos. Los sistemas de recomendación multicriterio amplían las técnicas de recomendación de calificación única para incorporar calificaciones de múltiples criterios con el fin de mejorar la precisión de las recomendaciones. Sin embargo, modelar las calificaciones de criterios en los sistemas de recomendación multicriterio para determinar las preferencias generales de los usuarios se ha considerado uno de los principales desafíos en estos sistemas. En otras palabras, cómo tener en cuenta adicionalmente la información de calificación multicriterio durante el proceso de recomendación es uno de los problemas de los sistemas de recomendación multicriterio. Este artículo presenta un marco metodológico que entrena redes neuronales artificiales con algoritmos de optimización por enjambre de partículas y utiliza las redes neuronales para integrar la información de calificación multicriterio y determinar las preferencias de los usuarios. El sistema de recomendación multicriterio basado en redes neuronales propuesto se integra con el filtrado colaborativo de vecinos más cercanos para predecir calificaciones de criterios desconocidos. El enfoque propuesto ha sido probado con un conjunto de datos multicriterio para recomendar películas a los usuarios. Los resultados empíricos del estudio muestran que el modelo propuesto tiene una mayor precisión de predicción que la técnica de recomendación tradicional correspondiente y otros sistemas de recomendación multicriterio.