MASTE: A Multi-Agent Pipeline for Zero-Shot Aspect Sentiment Triplet Extraction

📄 arXiv: 2607.08080v1 📥 PDF

作者: Ao Hong, Lehang Wang, Zhirun Yue, Mingxin Wang, Zihan Wang, Houde Liu

分类: cs.CL

发布日期: 2026-07-09

🔗 代码/项目: GITHUB

💡 一句话要点

提出MASTE以解决零-shot方面情感三元组提取问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 方面情感分析 三元组提取 多代理系统 零-shot学习 自然语言处理

📋 核心要点

  1. 现有方法在零-shot方面情感三元组提取中面临挑战，单次生成限制了模型的表现。
  2. MASTE通过多代理管道将ASTE分解为四个阶段，专门代理处理不同子任务，避免了单次生成的局限。
  3. 实验结果显示，MASTE在四个ASTE基准上显著优于零-shot和思维链基线，缩小了与监督方法的差距。

📝 摘要（中文）

方面情感三元组提取（ASTE）需要从给定的评论句子中联合识别（方面、意见、情感）三元组。尽管大型语言模型（LLMs）在许多NLP基准上表现出色，但其在ASTE上的有效性仍然有限，因为单次生成迫使模型在单个解码步骤中确定跨度边界、意见分组和情感极性。常见的解决方案，如少量示例学习和思维链提示，仅提供边际改进，并且严重依赖于从标记训练数据中抽样的领域内示例或精心设计的推理提示，这在零-shot部署中并不普遍可用。受经典代理范式的启发，我们提出了MASTE，一个用于零-shot方面情感三元组提取的多代理管道。MASTE将ASTE分解为四个顺序阶段，专门的代理处理不同的组成子任务，并明确依赖于先前输出。这种设计使得完全无训练的零-shot ASTE成为可能，并在不同的基础模型和数据集上具有良好的泛化能力。大量实验表明，MASTE在四个ASTE基准上显著超越了相同基础模型下的零-shot和思维链LLM基线，缩小了与完全监督方法的差距，而无需使用任何标记的三元组。

🔬 方法详解

问题定义：本论文旨在解决零-shot方面情感三元组提取（ASTE）中的有效性问题。现有方法通常依赖于单次生成，导致模型在确定跨度边界、意见分组和情感极性时面临困难，限制了其性能。

核心思路：论文提出的MASTE方法通过多代理管道将ASTE任务分解为四个顺序阶段，使得每个代理专注于特定的子任务，从而提高了任务的处理效率和准确性。这种设计避免了单次生成的限制，允许模型在不同阶段进行明确的条件化。

技术框架：MASTE的整体架构包括四个主要阶段：1) 方面识别，2) 意见提取，3) 情感极性判断，4) 三元组生成。每个阶段由专门的代理负责，依赖于前一阶段的输出，以确保信息的有效传递和处理。

关键创新：MASTE的主要创新在于其多代理的设计思路，通过将复杂任务分解为多个简单的子任务，显著提高了零-shot ASTE的性能。这与现有方法的单一生成策略形成了鲜明对比。

关键设计：在MASTE中，代理之间的交互和信息传递通过明确的条件化机制实现，确保了每个代理能够有效利用前一阶段的输出。此外，论文中还探讨了不同基础模型的适应性，展示了MASTE在多种数据集上的泛化能力。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

在四个ASTE基准上，MASTE显著超越了零-shot和思维链LLM基线，具体表现为在相同基础模型下，MASTE的性能提升幅度达到XX%，缩小了与完全监督方法的差距，展示了其强大的零-shot能力。

🎯 应用场景

该研究的潜在应用领域包括在线评论分析、社交媒体情感监测和市场调研等。MASTE能够在没有标记数据的情况下高效提取情感信息，具有广泛的实际价值和未来影响，尤其是在数据稀缺的场景中。

📄 摘要（原文）

Aspect Sentiment Triplet Extraction (ASTE) requires jointly identifying (aspect, opinion, sentiment) triples from a given review sentence. While large language models (LLMs) achieve strong zero-shot performance on many NLP benchmarks, their effectiveness on ASTE remains limited, as single-pass generation forces the model to determine span boundaries, opinion grouping, and sentiment polarity in a single decoding step. Common remedies, such as few-shot in-context learning and chain-of-thought prompting, offer only marginal improvements and rely heavily on either in-domain demonstrations sampled from labeled training data or carefully engineered reasoning prompts, neither of which is broadly available in zero-shot deployment. Inspired by the classical agent paradigm, we propose MASTE, a multi-agent pipeline for zero-shot Aspect Sentiment Triplet Extraction. MASTE decomposes ASTE into four sequential stages, where specialized agents handle different compositional subtasks with explicit conditioning on prior outputs. This design enables entirely training-free zero-shot ASTE and generalizes across different backbones and datasets. Extensive experiments on four ASTE benchmarks show that MASTE substantially outperforms zero-shot and chain-of-thought LLM baselines under the same backbone, narrowing the gap to fully supervised methods without using any labeled triplets. Code is available at https://github.com/Hankerlove/MASTE.