本文提出了一种新颖的奖励模型技术，通过融入领域知识和减少人类偏好注释，提升了电子商务意见摘要的效果。研究引入多个奖励模型和对比学习，解决了强化学习中的数据评估问题，显著提高了模型的准确性和适应性。同时，新数据集PromptOpinSumm和人类偏好数据集OpinPref的建立，为多样化应用提供了新的机会。

本研究提出了基于生成模型的意见摘要方法，包括MultimodalSum和OpineSum，利用无监督学习和少量样本生成高质量摘要。实验结果表明，这些方法在多个数据集上表现优越，能够有效捕捉评论中的共识观点并生成定制化摘要。

该研究提出了一种神经框架，可从在线产品评论中进行意见摘要，只需要轻量级的监督。方法结合了两个弱监督组件，从多个评论中识别显著观点并形成提取式摘要。研究开发了具有黄金标准方面注释、显著标签和意见摘要的人工注释开发和测试集的意见摘要数据集。自动评估显示该方法相对于基线的显著改进，人类评判员更喜欢该方法的意见摘要。