영역 기반 감정 분석을 위한 무자원부터 전 자원까지: 다국어 전이 전략

영역 기반 감정 분석 (Aspect-based Sentiment Analysis, ABSA) 은 텍스트 내 특정 영역에 대한 세밀한 의견을 추출하지만, 트랜스포머 기반 및 지시어 튜닝 모델의 주요 발전에도 불구하고 여전히 영어 중심입니다. 이 연구는 7 개 언어 (영어, 독일어, 프랑스어, 네덜란드어, 러시아어, 스페인어, 체코어) 와 4 가지 하위 작업 (ACD, ACSA, TASD, ASQP) 에 대한 최첨단 ABSA 접근법에 대한 다국어 평가를 제시합니다. 우리는 무자원 (zero-resource), 데이터만 있는 (data-only), 전 자원 (full-resource) 환경에서 서로 다른 트랜스포머 아키텍처를 체계적으로 비교하며, 이를 위해 다국어 전이 (cross-lingual transfer), 코드 스위칭 (code-switching), 기계 번역을 사용합니다. 미세 조정된 대형 언어 모델 (Large Language Models, LLMs) 은 특히 복잡한 생성 작업에서 가장 높은 전체 점수를 달성하는 반면, 퓨 샷 (few-shot) 대안은 더 간단한 설정에서 이 성능에 근접하며, 더 작은 인코더 모델도 여전히 경쟁력을 유지합니다. 여러 비대상 언어에서의 다국어 학습은 미세 조정된 LLMs 에 대해 가장 강력한 전이를 제공하며, 더 작은 인코더 또는 시퀀스 투 시퀀스 (seq-to-seq) 모델은 코드 스위칭에서 가장 큰 이점을 얻어 다국어 ABSA 를 위한 아키텍처별 전략을 부각시킵니다. 우리는 영어를 넘어선 다국어 ABSA 연구를 장려하기 위해 두 가지 새로운 독일어 데이터셋, 즉 수정된 GERestaurant 와 첫 번째 독일어 ASQP 데이터셋 (GERest) 을 추가로 기여합니다.