随着移动互联网时代的到来,手机、电子邮件和社交网络应用程序的普及,网络社交已经成为人们日常生活工作中重要得沟通方式之一,尤其是在新冠在全球蔓延的大环境下,人们更加依赖网络在线交流,越来越多地以对话的形式来交换思想、制定计划和共享信息。然而,对于复杂的对话内容,复述和掌握所有核心内容是很费时间的,如何让移动互联网时代保留下来的海量对话数据,更高效的辅佐人们解决日常工作生活中的需求正是本文研究的出发点。模型仅从主题视角编码对话信息,可能会无法全面捕捉对话的细节信息,并且编码阶段任意数量信息的丢失都会导致解码阶段出现更大的错误级联,从而影响最后的生成摘要的质量。针对上述问题,本文提出了一种结合多视角的序列到序列模型用于对话摘要生成,该模型不仅仅从主题视角编码对话信息,还从对话发展阶段视角编码会话信息,然后在解码阶段将两种不用视角下得到的信息结合用于生成最后的对话总结。技术路线如下:首先利用预训练模型获得对话的向量编码,然后分别使用无监督的TSF算法以及CRF算法将非结构化日常聊天的会话以主题和对话阶段两种视角进行对话分割,分割后的每个语句块都包含若干连续的话语,在主题视角下意味着这几句描述的是同一主题,阶段视角同理。再将不同视角下的语句块送入模型编码器中提取不同视角下的会话表示,然后利用多视角解码器将不同的视图结合起来生成对话摘要。文本分割从对话主题以及对话发展变化两个方面考量对话内容与结构之间的关联,在编码阶段覆盖了原文更多的信息,再以多视角结合的方式生成摘要,提高了模型对于文本的理解能力。最后,本文在目前抽象对话总结任务最全面的SAMSum数据集上分别从基于抽取式以及生成式两个方面进行了实验,结果表明本文模型在融入多视角的对话信息后有了更高的ROUGE的得分,可以更好的理解语句对话,得到了更高质量的总结。