Проблема single-pass генерации
Задача извлечения триплетов аспектной тональности (ASTE) требует одновременного определения границ аспекта, группировки мнений и оценки полярности. Стандартные LLM часто терпят неудачу в этом, пытаясь выполнить все шаги за один проход декодирования. Попытки улучшить результат через few-shot learning или chain-of-thought (CoT) дают лишь маргинальный прирост и требуют наличия размеченных данных или сложных промптов, что противоречит концепции zero-shot.
Архитектура MASTE: 4 специализированных агента
Команда авторов (Ao Hong, Lehang Wang и др.) предложила парадигму multi-agent pipeline. Система разбивает ASTE на четыре последовательных этапа, где каждый агент обрабатывает подзадачу, строго опираясь на выводы предыдущего. Это позволяет избежать «галлюцинаций» границ и ошибок в логике, характерных для единого промпта.
Результаты на бенчмарках
Эксперименты показали, что MASTE существенно превосходит базовые zero-shot и CoT модели на тех же бэкбонах. Ключевое достижение — метод не использует ни одной размеченной триплетной выборки для обучения, но при этом сужает разрыв до fully supervised методов. Результаты обобщены на четырех основных бенчмарках ASTE.
| Метрика / Характеристика | Значение / Описание |
|---|---|
| Тип обучения | Zero-shot (без дообучения) |
| Количество агентов | 4 специализированных агента |
| Бенчмарки | 4 стандартных набора данных ASTE |
| Ключевое преимущество | Сокращение разрыва с supervised-моделями без использования labeled triplets |
Значимость для индустрии
MASTE демонстрирует, что декомпозиция сложных NLP-задач на цепочки специализированных агентов может быть эффективнее, чем прямое fine-tuning или сложные CoT-промпты. Это открывает путь к созданию универсальных систем анализа отзывов, которые работают «из коробки» на новых доменах без затрат на сбор и разметку данных. Код решения доступен в репозитории авторов.
Источник: arXiv cs.CL ↗