随着互联网的普及,在网上欣赏和学习舞蹈成为一个必不可少的途径。然而,由于舞蹈视频网站的快速发展,信息过载的问题也日益突出。因此,在这种情况下,使用推荐系统来进行舞蹈推荐是一个有效的解决方案。深度学习技术作为一种有效的工具,可以解决传统推荐模型中的复杂特征提取和特征交叉问题。越来越多的研究开始重视召回阶段的重要作用,从而提升推荐系统的效率。因此,把推荐系统划分为召回和排序两个阶段,以期望在短时间内,尽可能多地召回到与用户相关的物品;而且,在排序层采用基于深度学习的复杂模型,以提高模型的准确性,从而达到更好的推荐效果。研究内容主要包括以下四个方面:（1）收集并处理课题所需要的数据。本课题一共收集三类数据,包括舞蹈视频的详细信息、用户的信息以及用户的交互信息,介绍三类数据的具体情况以及进行预处理的具体步骤。（2）多路召回模型构建。通过快速筛选全量舞蹈微视频,将数据集缩小至千百级,并将多路召回算法模型合并,从而获得最终候选集。该多路召回算法模型使用Word2vec模型提取文本特征向量,利用基于物品的协同过滤算法、因子分解机模型以及基于深度学习的双塔模型和You Tube DNN模型进行推荐召回,这四种不同算法模型产生召回候选集,形成最终召回列表供后续模型使用,可以有效地解决传统召回方式单一导致召回率较低的问题。（3）排序模型构建。本文提出将大规模预训练模型Bert用于文本特征提取,作为模型的补充特征输入,并与基于深度学习的XDeepFM模型结合,降低用户和物品特征获取的难度,同时与其他主流推荐模型在该数据集下进行实验对比,结果表明本文提出模型的推荐效果能够有效地利用舞蹈和用户的特征,提升推荐的效果。（4）实现舞蹈微视频推荐系统。结合用户实际需求,将多路召回模型和融合Bert与XDeepFM模型应用在舞蹈微视频推荐系统中。基于系统架构对推荐系统进行开发,实现推荐系统所设计的功能,将经过模型筛选出的推荐舞蹈微视频展示给用户。