Actualmente, las reseñas en Internet contienen abundante información sobre usuarios y productos, y esta información es de gran valor para los sistemas de recomendación. Como resultado, las recomendaciones basadas en reseñas han comenzado a mostrar su efectividad y valor de investigación. Debido a la acumulación de un gran número de reseñas, se ha vuelto muy importante extraer información útil de las reseñas. La resumición automática puede capturar información importante de un conjunto de documentos y presentarla en forma de un breve resumen. Por lo tanto, integrar la resumición automática en los sistemas de recomendación es un enfoque potencial para resolver este problema. Basándonos en esta idea, proponemos un modelo de recomendación preentrenado y de resumición conjunta para la predicción de calificaciones basada en reseñas. A través de la resumición automática y un modelo de lenguaje preentrenado, el modelo de recomendación general aprende una representación de resumen detallada del contenido clave, así como las relaciones entre palabras y oraciones en cada reseña. Las representaciones de resumen de reseñas de usuarios y artículos se incorporan finalmente en un marco de filtrado colaborativo neural (CF) con mecanismos de atención interactiva para predecir las puntuaciones de calificación. Realizamos experimentos en el conjunto de datos de Amazon y comparamos nuestro método con varias líneas base competitivas. Los resultados experimentales muestran que el rendimiento del modelo propuesto es claramente mejor que el de las líneas base. En relación con los mejores resultados actuales, las mejoras promedio obtenidas en cuatro subconjuntos seleccionados aleatoriamente del conjunto de datos de Amazon son aproximadamente del 3.29%.