Las tareas de resumen abstractivo comúnmente no tienen opciones para tendencias sentimentales, lo que lleva a una falta de personalización en los resúmenes y a una simplificación de la comprensión del contenido del texto. Reconociendo el papel crucial de la tendencia sentimental en la formación del interés y la percepción del lector, como fomentar perspectivas esperanzadoras o evaluaciones críticas, introducimos la tarea de resúmenes con múltiples opciones de tendencias sentimentales (SMOST), que implica generar resúmenes con varias opciones de sentimiento y beneficia particularmente al dominio de noticias. Debido a la escasez de datos etiquetados para la resumición supervisada por sentimiento, utilizamos oraciones sentimentales de textos originales como muestras positivas en el proceso de entrenamiento, aumentadas con un método de aprendizaje por indicaciones. Nuestro método logra un mejor resultado en los conjuntos de datos CNN/DailyMail y XSum en cuanto a puntuaciones de sentimiento y tiene una pequeña influencia en la información semántica de los resúmenes. Un análisis adicional también muestra que nuestro método puede presentar las diferentes distribuciones de información sentimental y semántica en diferentes conjuntos de datos.