본 논문은 감정 원인 분석 내에서 새로운 과제인 span 수준의 감정-원인-범주 triplet 추출에 대해 다룹니다. 기존 연구는 주로 절 수준의 감정-원인 쌍 추출과 span 수준의 감정-원인 감지에 집중했지만, 중복 정보 검색 및 특히 감정이 암시적이거나 모호하게 표현될 때 감정 범주를 정확하게 결정하는 데 어려움을 겪었습니다. 이러한 문제를 해결하기 위해 본 논문은 span 수준의 감정-원인-범주 triplet 추출에 대한 세분화된 접근 방식을 탐구하고, 대규모 언어 모델을 기반으로 instruction tuning과 데이터 증강 기법을 활용하는 혁신적인 프레임워크를 제시합니다. 과제별 triplet 추출 지침을 사용하고 저차원 적응을 통해 대규모 언어 모델을 미세 조정하여 복잡한 과제별 아키텍처를 필요 없게 합니다. 또한, 프롬프트 기반 데이터 증강 전략을 개발하여 대규모 언어 모델이 고품질의 합성 훈련 데이터를 생성하도록 유도함으로써 데이터 부족 문제를 해결합니다. 광범위한 실험 평가 결과, 제안된 방법이 기존 기준 방법보다 12.8% 이상 성능이 향상되었음을 보여줍니다.
