Las reseñas en línea son cruciales al construir un modelo de recomendación porque contienen las preferencias específicas y detalladas de los usuarios relacionadas con diferentes aspectos de un artículo en particular. Incorporar estas reseñas en línea en el modelo de recomendación mitiga en cierta medida el problema de la escasez de datos y contribuye a un mejor rendimiento de recomendación. A pesar de este éxito, los sistemas de recomendación basados en reseñas tienen la limitación de que no consideran completamente la relevancia del texto de la reseña para el artículo objetivo. Específicamente, el texto de la reseña debería reflejar la opinión detallada del usuario sobre el artículo objetivo para extraer información detallada de preferencias. Mientras tanto, el contenido de la reseña debe estar directamente relacionado con el artículo objetivo para extraer las preferencias específicas del cliente por el artículo. Sin embargo, estudios anteriores han pasado por alto ambos aspectos. Por lo tanto, es necesario construir un modelo de recomendación que considere la relevancia del contenido de la reseña para el artículo objetivo. Para abordar este problema, este estudio propone un modelo de recomendación novedoso que estima con precisión las preferencias de los usuarios al considerar cuidadosamente la relevancia del contenido de la reseña para los artículos. El modelo propuesto extrae efectivamente representaciones de características del texto utilizando representaciones de codificador bidireccional de un transformador y obtiene características fusionadas al considerar la importancia de las características a través del mecanismo de atención. Para evaluar el rendimiento del modelo, utilizamos un conjunto de datos públicamente accesible de reseñas de Amazon.com y lo comparamos con varios modelos base. Los resultados experimentales demostraron un mejor rendimiento de recomendación del modelo propuesto en comparación con otros modelos base.