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

요약

본 논문은 영어 중심의 영역 기반 감정 분석(ABSA) 문제를 해결하기 위해 7개 언어와 4가지 하위 작업에 대한 다국어 평가를 제시합니다. 연구는 무자원, 데이터만 있는, 전 자원의 세 가지 환경에서 다양한 트랜스포머 아키텍처를 비교하며, 다국어 전이 및 코드 스위칭 기법을 활용합니다. 그 결과, 미세 조정된 대형 언어 모델(LLMs)이 가장 높은 성능을 보였으나, 퓨 샷 학습이나 작은 인코더 모델도 특정 상황에서 경쟁력을 유지함을 입증했습니다.

핵심 포인트

• ABSA는 여전히 영어 중심의 문제이며, 다국어 확장이 필요합니다. 본 연구는 7개 언어를 포괄하는 광범위한 평가를 제공합니다.
• LLMs를 미세 조정하는 것이 전반적으로 가장 높은 성능을 보였지만, 작은 인코더나 퓨 샷 학습도 특정 환경에서 효과적인 대안이 될 수 있습니다.
• 다국어 학습은 LLM에 가장 강력한 전이를 제공하며, 코드 스위칭 상황에서는 작은 인코더 또는 seq-to-seq 모델이 큰 이점을 가집니다.
• 연구의 결과를 바탕으로 다국어 ABSA 연구를 장려하기 위해 새로운 독일어 데이터셋 두 개가 추가로 기여되었습니다.