传统的推荐算法,例如协同过滤算法（CF）,它依赖于用户-项目评分。但是,随着数据量增长,评分数据也将变得更加稀疏,这一问题会影响推荐系统的准确性和可解释性。现在,许多电商网站上提供了大量的评论文本信息,这些评论文本是更具语义的信息,在一定程度上可以缓解冷启动、数据稀疏等问题,并可以让推荐结果更具解释性。因此有不少学者正在研究基于评论文本的深度推荐系统。然而,如何利用评论文本更准确地表达用户偏好和项目特征是基于评论文本的深度推荐算法的研究重点。本文创新性地提出了一个基于评论文本的融合Sentence-BERT和门控机制的神经注意力推荐模型——NAFSBG,重点在于更准确地表达用户、项目的特征向量,使得评分预测更加准确。具体的,本文的创新点如下:（1）使用Sentence-BERT预训练模型对评论文本进行初始编码。传统的卷积神经网络对评论文本的特征学习能力相对较弱,不能很好地学习评论文本的特征表示。而Sentence-BERT使用了 Transformer这个当下最主流的特征抽取器,使得评论文本的初始编码向量就较为准确。（2）设计了双线型注意力模型来探索评论文本的有用性。本文认为,没有用的评论对用户的参考价值较小,同时也会损害模型的性能。因此,采用注意力机制来刻画每一条评论的权重来表达用户、项目的特征是很有必要的。（3）设计了一个新颖的门控机制以有效地融合ID特征向量与评论文本最终的特征向量。在数据量较大的情况下,使用门控机制相比于过去的工作中只是简单地把ID特征向量与评论文本最终的特征向量进行相加或拼接,能更好地将两者特征融合起来,得到更加准确的整体特征表示。本文在10个开源数据集下进行全面的实验,在均方误差评价指标（MSE）下,通过实验结果对比可以发现,本文提出的NAFSBG模型相较于传统的基于评分的推荐模型以及其它基于评论文本的推荐模型,效果都有所提高。且数据集密度越高（即评论文本数量越多）,NAFSBG模型提升的效果越明显。