研究者らは、MASTEを提案した。これはマルチエージェントパイプラインであり、タスクを4つの連続するステージに分解し、専門化されたエージェントによって処理することで、ゼロショットAspect Sentiment Triplet Extraction (ASTE) を改善するように設計されている。このアプローチは、spanの境界、意見のグループ化、感情の極性を同時に決定するのが難しいという大規模言語モデルにおける単一パス生成の限界に対処する。

  • MASTEは、ステージ間で前の出力に対する明示的な条件付けを使用することで、ラベル付きトレーニングデータやfew-shotデモンストレーションの必要性を排除する。
  • このフレームワークは、異なるモデルバックボーンとデータセット全体で汎化し、ゼロショットおよびchain-of-thoughtベースラインを上回る性能を示す。
  • 4つのASTEベンチマークでの広範な実験により、MASTEがラベル付きトリプレットを一切使用せずに、完全に教師あり手法との性能差を縮小することが示された。

著者らはこれを重要視している。なぜなら、これは通常インドメインデータが利用できない複雑なNLPタスクに対して、広く利用可能な教師なしソリューションを提供するからである。