Para peneliti mengusulkan MASTE, sebuah pipeline multi-agen yang dirancang untuk meningkatkan Ekstraksi Triplet Sentimen Aspek (ASTE) zero-shot dengan menguraikan tugas menjadi empat tahap berurutan yang ditangani oleh agen khusus. Pendekatan ini mengatasi keterbatasan generasi single-pass pada model bahasa besar, yang kesulitan menentukan batas span, pengelompokan opini, dan polaritas sentimen secara bersamaan.
- MASTE menghilangkan kebutuhan akan data pelatihan berlabel atau demonstrasi few-shot dengan menggunakan kondisioning eksplisit pada output sebelumnya di seluruh tahapnya.
- Framework ini generalisasi melintasi berbagai backbone model dan dataset sambil mengungguli baseline zero-shot dan chain-of-thought.
- Eksperimen ekstensif pada empat benchmark ASTE menunjukkan bahwa MASTE menyempitkan kesenjangan kinerja ke metode fully supervised tanpa menggunakan triplet berlabel sama sekali.
Para penulis menganggap ini signifikan karena menyediakan solusi yang tersedia secara luas dan tanpa pelatihan untuk tugas NLP kompleks di mana data in-domain biasanya tidak tersedia.