在电影评分的案例中，基于内容过滤的方法需要用到两个向量，一个是来自用户的特征向量Vu,另一个是电影特征的向量 Vm。以用户的特征为例，原始的向量Xu作为一个神经网络的输入，经过几层之后输出一个有32个单元的向量Vu，电影的特征向量也通过神经网络，注意两个网络的层数、隐藏单元数可能不同，但最后输出的维度必须相同。最后做出的预测为Vv点乘Vm，也可以加一个sigmoid函数来预测 y 为1的概率（user j , movie i）。
也可以把两个网络放在一起，成本函数如下，用这个成本函数，通过Vu点乘Vm的好坏来调节两个网络的参数，也可以在后面加上像神经网络一样的正则化项。这种组合两个网络的能力也是神经网络强大的原因之一。
也可以找到类似的电影，Vkm和Vim之间的距离小，则电影 k 和电影 i 是相似的，这个过程就像协同过滤中找到相似的用户。注意，可以提前计算电影的相似性，可以在前一天晚上计算好，第二天用户浏览时直接拿来推荐相似的电影。
