BERT可以通过计算词向量之间的相似度来得到相似的表达式。具体方法如下：

1. 准备待比较的两个文本a和b。

2. 使用BERT模型对a和b进行编码，得到它们的词向量表示。可以使用相应的BERT预训练模型，例如bert-base-uncased、bert-large-uncased等。示例代码如下：

from transformers import AutoTokenizer, AutoModel
import torch

tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
model = AutoModel.from_pretrained("bert-base-uncased")

a = "I like apples."
b = "Apples are my favorite fruit."

encoded_a = tokenizer(a, return_tensors='pt')
encoded_b = tokenizer(b, return_tensors='pt')

with torch.no_grad():
    a_output = model(**encoded_a)[0][:, 0, :]
    b_output = model(**encoded_b)[0][:, 0, :]

3. 计算a和b的词向量的相似度。可以使用余弦相似度等方法。示例代码如下：

from sklearn.metrics.pairwise import cosine_similarity

cosine_sim = cosine_similarity(a_output, b_output)
print(cosine_sim)

以上代码将打印出a和b的词向量相似度。如果相似度接近1，则表明两个文本的表达式相似。

需要注意的是，BERT输出的是每个单词的词向量，可以通过取所有单词的平均值来得到整个句子的向量表示。