随着网络购物的兴起,电子商务得以飞速发展,越来越多的农副产品也从线下销售平台走入线上电商销售平台。其中,茶叶作为我国的一种传统饮用品在京东、天猫等电商平台都有销售,然而大量的茶产品信息造成用户意图模糊。推荐系统主要通过挖掘用户偏好,主动向用户推荐其可能感兴趣的信息,使得用户不必在海量信息中自己搜索,是解决信息过载问题的必要工具。推荐系统发展至今,衍生出多种推荐算法,传统的推荐算法主要利用协同过滤等技术,经过复杂的运算找到用户感兴趣的商品或信息,而深度学习的出现,为推荐模型的效果带来了大幅的提升。图卷积网络的出现使得非欧空间的图结构数据得以被更好的利用,实际推荐中的用户物品关系与图结构最为相似,因此利用图卷积网络构建推荐模型成为当今推荐技术发展的新趋势。针对简化的图卷积网络利用信息形式单一的问题,本文提出一种融入评论文本的图卷积网络茶产品推荐模型BERT-LightGCN（BERT-Light Graph Convolution Network）。利用用户对茶产品的评论文本来辅助图卷积网络学习用户和茶产品的特征,进而分析用户偏好,以提升茶产品推荐模型的推荐效果。本文的具体工作如下:（1）针对传统推荐模型面临的数据稀疏和遗失结构信息等问题,利用一种基于深度学习的图卷积网络处理用户—茶产品交互图中的交互信息。通过使用LightGCN中提出的一种简化的图卷积方式,在交互图上传播用户及茶产品节点的特征信息,对用户和茶产品的特征进行更加细致全面的刻画,从而提升推荐效果。（2）针对多数推荐模型只注重用户—物品的交互信息,而忽略其它有效可用信息的问题。通过使用BERT模型来处理用户关于茶产品的评论文本,从中提取目标茶产品和目标用户的语义特征,用于辅助图神经网络学习节点特征,以提升模型的鲁棒性。（3）在京东真实数据集上进行了相关实验,验证了BERT-LightGCN模型的有效性,并通过大量实验探究了不同超参数对模型的最终影响效果。最后,对比了传统的推荐方法、基于深度学习的推荐方法和BERT-LightGCN的优劣性,实验结果表明,本文提出的模型在茶产品的推荐效果上有显著的优势。