Исследователи предлагают MASTE, многоагентный конвейер, разработанный для улучшения извлечения триплетов аспектно-сентиментального анализа (ASTE) в режиме zero-shot за счет декомпозиции задачи на четыре последовательных этапа, выполняемых специализированными агентами. Этот подход устраняет ограничения однопроходной генерации в больших языковых моделях, которым сложно одновременно определять границы спанов, группировку мнений и полярность сентимента.
- MASTE устраняет необходимость в размеченных обучающих данных или демонстрациях few-shot за счет явного условного управления на основе предыдущих выводов на всех этапах.
- Фреймворк обобщается для различных моделей и наборов данных, превосходя базовые подходы zero-shot и chain-of-thought.
- Масштабные эксперименты на четырех бенчмарках ASTE показывают, что MASTE сокращает разрыв в производительности по сравнению с полностью обучаемыми методами без использования каких-либо размеченных триплетов.
Авторы считают это значимым, поскольку оно предоставляет широко доступное решение без дообучения для сложных задач NLP, где данные из целевой области обычно недоступны.