단계적 작업 증강과 관계 학습을 통한 어스펙트 감성 사분쌍 예측

초록

본 논문은 ASQP(Aspect Sentiment Quad Prediction) 문제를 단계별 작업 증강과 관계 학습으로 분해하여, 저자량 데이터 환경에서도 요소 간 의존성을 효과적으로 학습하도록 설계한 STAR 프레임워크를 제안한다. 쌍별·전체 관계 과제를 순차적으로 추가함으로써 관계 정보를 점진적으로 강화하고, 균형 손실과 순열 샘플링으로 다중 과제 학습을 안정화한다. 실험 결과, 네 개 벤치마크 데이터셋에서 저자량 설정 시 기존 최첨단 모델 대비 평균 F1 점수가 2% 이상 향상됨을 보였다.

상세 분석

STAR는 ASQP를 “Quad Prediction → Pairwise Relation → Overall Relation”이라는 세 단계로 구조화한다. 첫 단계에서는 기존의 MVP 방식과 유사하게 요소 마커(