Pesquisadores propõem o MASTE, um pipeline multiagente projetado para melhorar a extração de tripletas de sentimento por aspecto (ASTE) em zero-shot, decompondo a tarefa em quatro etapas sequenciais gerenciadas por agentes especializados. Esta abordagem aborda as limitações da geração de passagem única em grandes modelos de linguagem, que têm dificuldade em determinar simultaneamente os limites dos spans, o agrupamento de opiniões e a polaridade do sentimento.
- O MASTE elimina a necessidade de dados de treinamento rotulados ou demonstrações few-shot ao usar condicionamento explícito sobre as saídas anteriores em suas etapas.
- A estrutura generaliza-se através de diferentes backbones de modelos e conjuntos de dados, superando as linhas de base de zero-shot e chain-of-thought.
- Experimentos extensos em quatro benchmarks de ASTE demonstram que o MASTE reduz a lacuna de desempenho em relação aos métodos totalmente supervisionados sem usar qualquer triplete rotulada.
Os autores consideram isso significativo porque fornece uma solução amplamente disponível e sem treinamento para tarefas complexas de PLN onde os dados do domínio normalmente não estão disponíveis.