自然语言理解的研究是目前人工智能领域的热点之一,以此为核心的技术突破与相关模型的落地实现也层出不穷。目前,深度学习在工业产品订制中的应用尚未推广开,随着智能制造的兴起与互联网技术的进步,未来借助自然语言理解实现用户产品个性化推荐必将迎来更大的市场空间。为用户提供更好的个性化推荐,关键是要准确了解用户的偏好特征。计算机在理解用户偏好时首先要解决的是自然语言理解中出现的歧义问题。本文通过分析国内外自然语言理解、词义消歧、推荐系统研究现状,提出将词义消歧任务转换为深度学习文本分类任务的方法。通过该方法充分利用深度学习模型能够学习语料之间基本关系与语言特征的优势,规避在分析各种复杂的句子成分和关系中产生的问题,利用具体的数据集,验证了方法的正确性。本文首先对自然语言理解过程中各种句子层面和词语层面的歧义现象作了总结分析,并重点研究词义消歧现象,详细论证了知识在词义消歧中的辅助作用。其次提出利用BERT模型完成词义消歧的任务,为了验证模型的可行性并说明知识的辅助作用,本文设计了在词义消歧中辅助知识“领域+属性”的组成结构,增强了模型的语言表示能力。基于词语具有“一个义项一个领域”的鲜明特点,建立概念从属树,将待消歧词语的概念从属树从根节点到叶子节点的概念逐步细化,定位消歧词语所属的领域,以缩小知识的范畴。本文利用爬虫工具获取百科知识,应用到自己建立的机械领域数据集上,并将整理的数据,作为辅助知识的属性信息。句子中待消歧词语与辅助知识组成词语义项对的形式,将消歧任务转化为义项能否解释句子中待消歧词语词义的分类任务。接着针对BERT模型MLM任务随机mask汉字但忽略汉字之间关系的问题,本文将模型中基于汉字的“掩盖”替换为基于词语的“掩盖”,通过数据集的验证,模型的效果提升了两个百分点。最后,本文提出融合词义消歧的工业产品个性化推荐原型系统,设计原型系统结构,论述各个组成模块实现流程。将具体的对话实例应用到原型系统中,实现对用户需求先消歧,再抽取偏好,最后获得了良好的推荐结果,验证了模型的可行性。