Les chercheurs proposent MASTE, un pipeline multi-agents conçu pour améliorer l'extraction de triplets d'aspect et de sentiment (ASTE) en zéro-shot en décomposant la tâche en quatre étapes séquentielles gérées par des agents spécialisés. Cette approche comble les limites de la génération en un seul passage dans les grands modèles de langage, qui peinent à déterminer simultanément les limites des spans, le regroupement des opinions et la polarité du sentiment.
- MASTE élimine le besoin de données d'entraînement étiquetées ou de démonstrations few-shot en utilisant un conditionnement explicite sur les sorties précédentes entre ses étapes.
- Le framework généralise à travers différents backbones de modèles et jeux de données tout en surpassant les bases zéro-shot et chain-of-thought.
- Des expériences extensives sur quatre benchmarks ASTE démontrent que MASTE réduit l'écart de performance par rapport aux méthodes entièrement supervisées sans utiliser aucun triplet étiqueté.
Les auteurs considèrent cela comme significatif car cela fournit une solution largement disponible et sans entraînement pour des tâches NLP complexes où les données in-domain sont généralement indisponibles.