Los investigadores proponen MASTE, una tubería multiagente diseñada para mejorar la extracción de tripletes de sentimiento por aspecto (ASTE) en zero-shot al descomponer la tarea en cuatro etapas secuenciales manejadas por agentes especializados. Este enfoque aborda las limitaciones de la generación de un solo paso en modelos de lenguaje grandes, que tienen dificultades para determinar simultáneamente los límites de los fragmentos, la agrupación de opiniones y la polaridad del sentimiento.
- MASTE elimina la necesidad de datos de entrenamiento etiquetados o demostraciones few-shot mediante el uso de condicionamiento explícito sobre las salidas previas en sus etapas.
- El marco generaliza a través de diferentes backbones de modelos y conjuntos de datos, superando a las líneas base de zero-shot y chain-of-thought.
- Experimentos extensos en cuatro benchmarks de ASTE demuestran que MASTE reduce la brecha de rendimiento frente a métodos totalmente supervisados sin usar ningún triplete etiquetado.
Los autores consideran esto significativo porque proporciona una solución ampliamente disponible y sin entrenamiento para tareas complejas de PLN donde los datos del dominio suelen no estar disponibles.