推荐系统作为可以解决信息过载问题的重要方法,它能够帮助人们从很多复杂的数据中找到其可能感兴趣的信息。但是现存的推荐技术仍然有很多历史问题,如数据稀疏、冷启动等问题。为了解决上述的历史问题,将物品的描述信息作为辅助信息融合到推荐系统里面已经被证明是非常有效的方法。但是在目前推荐系统的研究中,将文本内容的特征填充到协同过滤算法中,大多数研究在提取文本内容时采用传统的提取文本特征方法,不能有效的结合句子中的上下文,只能对单个词进行分析计算。本文提出应用自然语言处理模型BERT,该模型可以提取文本的特征,来深度挖掘句子中的语义相关性。本文主要使用神经网络搭建的自然语言处理模型BERT对文本信息进行建模,可以在文本中获取文档的上下文语义与关键词信息,提取的特征属性能够更好地应用于评分预测推荐任务。该方法用物品的描述文本信息代替原有的one-hot向量作为物品的输入,然后BERT模型对该文本向量矩阵进行特征提取。将提取到的物品特征向量和用户的特征向量送入矩阵分解的机器学习模型中进行训练,以此来时实现两者的交互形成新的潜在向量。最后将潜在向量经过神经网络学习得出预测评分,再与实际评分计算损失函数进行反向传播训练模型。为了验证本文构建的基于BERT的深度学习推荐模型的推荐性能,我们在MovieLens 1M,MovieLens 10M和Amazon Instant Video三个真实数据集上进行了测试。RMSE值分别为0.7667,0.7758,0.7803。实验结果表明,本文提出的DeepBert模型在基于物品描述文本信息的评分预测任务中具有较好的推荐性能。