연구자들은 MASTE를 제안했습니다. 이는 다단계 작업을 전문화된 에이전트가 처리하는 네 가지 순차적 단계로 분해하여 제로샷 Aspect Sentiment Triplet Extraction (ASTE) 성능을 개선하도록 설계된 멀티 에이전트 파이프라인입니다. 이 접근 방식은 어절 경계, 의견 그룹화 및 감정 극성을 동시에 결정하는 데 어려움을 겪는 대규모 언어 모델의 단일 패스 생성 한계를 해결합니다.
- MASTE는 이전 출력에 대한 명시적 조건화를 각 단계 간에 사용하여 레이블링된 학습 데이터나 퓨샷 시연의 필요성을 제거합니다.
- 이 프레임워크는 다양한 모델 백본과 데이터셋 전반에서 일반화되며 제로샷 및 chain-of-thought 기반 방법보다 우수한 성능을 보입니다.
- 네 가지 ASTE 벤치마크에 대한 광범위한 실험은 MASTE가 레이블링된 삼중항을 전혀 사용하지 않고도 완전 감독 방식과의 성능 격차를 좁힘을 보여줍니다.
저자들은 이것이 일반적으로 인데이터(in-domain) 데이터가 사용 불가능한 복잡한 NLP 작업에 대해 널리 이용 가능한 학습 없는 솔루션을 제공하기 때문에 이를 중요하게 여깁니다.