许多消费者会参考以前消费者所写的评论来作相应的决策,但是消费者的时间有限,能够阅读的评论数量也有限。因此,一种包含评论集中重要信息的评论总结生成方法是值得研究的。本文主要研究如何从大量的用户评论中生成一个全面的评论总结。评论总结生成可以通过文本摘要的方式来实现,文本摘要技术主要包括两种类型的方法:抽取式文本摘要方法和生成式文本摘要方法。抽取式文本摘要方法可以处理有监督和无监督的场景,但是可能产生冗余和不连贯的摘要结果;生成式文本摘要方法可以避免冗余,但是只能处理有监督的场景和短序列文本,并且相应的技术还不是很成熟。此外,这两种文本摘要方法都忽略了文本中的情感信息。针对以上问题,本文提出了一种新的评论总结生成框架,综合了抽取式和生成式文本摘要方法的优点,并且集成了有监督和无监督的评论总结生成方法。本文主要的研究内容、贡献和创新点如下:1)本文提出了两种全面的预处理策略来识别重要的句子或评论:句子的重新排序模型和评论子集的选择模型。重排序模型是根据评论句子的语义相似性和用户的情感对评论句子进行重新排序,并将其作为生成模型的输入。子集选择模型用于选择涵盖尽可能多方面的评论子集,这些评论子集可以直接生成评论总结也可以用于输入。2)本文将Encoder-Decoder模型应用到有监督场景下的评论总结生成。使得完整的模型具有抽取式和生成式文本摘要两者的优势。3)本文提出一种无监督的方法来处理没有人为书写摘要作为标准参考的无监督场景。它能够识别每个产品的各个方面,然后用尽可能少的句子生成涵盖尽可能多方面的评论总结。4)本文在三个真实的数据集(Idebate,Rotten Tomatoes和JDPhone Review)上进行实验。实验结果表明,本文提出的框架在评论总结任务上表现优秀。