शोधकर्ताओं ने MASTE का प्रस्ताव दिया, जो एक मल्टी-एजेंट पाइपलाइन है जिसे विशेषज्ञ एजेंट्स द्वारा संभाले जाने वाले चार क्रमागत चरणों में कार्य को विघटित करके जीरो-शॉट एस्पेक्ट सेंटीमेंट ट्रिपलेट एक्सट्रैक्शन (ASTE) को बेहतर बनाने के लिए डिज़ाइन किया गया है। यह दृष्टिकोण बड़े भाषा मॉडल में सिंगल-पास जनरेशन की सीमाओं को संबोधित करता है, जो एक साथ स्पैन सीमाओं, राय समूहन और सेंटीमेंट पोलैरिटी निर्धारित करने में संघर्ष करते हैं।
- MASTE अपने चरणों में पूर्व आउटपुट पर स्पष्ट कंडिशनिंग का उपयोग करके लेबल किए गए ट्रेनिंग डेटा या फ़ीव-शॉट प्रदर्शन की आवश्यकता को समाप्त करता है।
- फ्रेमवर्क विभिन्न मॉडल बैकबोन और डेटासेट केAcross पार सामान्यीकृत होता है जबकि जीरो-शॉट और चेन-ऑफ़-थॉट बेलाइनों को हराता है।
- चार ASTE बेंचमार्क्स पर व्यापक प्रयोग दिखाते हैं कि MASTE बिना किसी लेबल किए गए ट्रिपलेट का उपयोग किए पूर्णतः सुपरवाइज्ड विधियों के सापेक्ष प्रदर्शन अंतर को कम कर देता है।
लेखकों के अनुसार यह महत्वपूर्ण है क्योंकि यह उन जटिल NLP कार्यों के लिए व्यापक रूप से उपलब्ध, ट्रेनिंग-फ्री समाधान प्रदान करता है जहां आमतौर पर इन-डोमेन डेटा अनुपलब्ध होता है।