基于变换器的双向编码器表示技术（英语：Bidirectional Encoder Representations from Transformers，BERT）是用于自然语言处理（NLP）的预训练技术，由Google提出。2018年，雅各布·德夫林和同事创建并发布了BERT。Google正在利用BERT来更好地理解用户搜索语句的语义。
最初的英语BERT发布时提供两种类型的预训练模型：（1）BERTBASE模型，一个12层，768维，12个自注意头（self attention head），110M参数的神经网络结构；（2）BERTLARGE模型，一个24层，1024维，16个自注意头，340M参数的神经网络结构。两者的训练语料都是BooksCorpus以及英语维基百科语料，单词量分别是8亿以及25亿。
BERT在以下自然语言理解任务上的性能表现得最为卓越：
有关BERT在上述自然语言理解任务中为何可以达到先进水平，目前还未找到明确的原因。目前BERT的可解释性研究主要集中在研究精心选择的输入序列对BERT的输出的影响关系，通过探测分类器分析内部向量表示，以及注意力权重表示的关系。
BERT起源于预训练的上下文表示学习，包括半监督序列学习（Semi-supervised Sequence Learning），生成预训练（Generative Pre-Training），ELMo（英语：ELMo）和ULMFit。与之前的模型不同，BERT是一种深度双向的、无监督的语言表示，且仅使用纯文本语料库进行预训练的模型。上下文无关模型（如word2vec或GloVe（英语：GloVe））为词汇表中的每个单词生成一个词向量表示，因此容易出现单词的歧义问题。BERT考虑到单词出现时的上下文。例如，词“水分”的word2vec词向量在“植物需要吸收水分”和“财务报表里有水分”是相同的，但BERT根据上下文的不同提供不同的词向量，词向量与句子表达的句意有关。
2019年10月25日，Google搜索宣布他们已经开始在美国国内的英语搜索查询中应用BERT模型。2019年12月9日，据报道，Google搜索已经在70多种语言的搜索采用了BERT。
在2019年计算语言学协会（英语：Association for Computational Linguistics）北美分会（NAACL（英语：North American Chapter of the Association for Computational Linguistics））年会上，BERT获得了最佳长篇论文奖。
