본 논문은 Aspect Sentiment Quad Prediction (ASQP) 문제에 대한 새로운 해결책을 제시한다. ASQP는 aspect term, aspect category, opinion term, sentiment polarity의 4가지 핵심 요소로 구성된 구조화된 quadruple을 예측하는 어려운 과제이다. 기존의 마커 기반 방법론은 요소 간 복잡한 관계 모델링에 어려움을 겪고, 고차원 요소(예: category, sentiment polarity) 예측 시 성능이 저하되는 문제점을 보인다. 이를 해결하기 위해, 본 연구에서는 통합된 템플릿 내에서 요소 접두사를 사용하여 quadruple과 자연어 근거를 모두 생성하는 추론 기반 생성을 채택하여 명시적인 관계 추론과 해석 가능성을 높였다. 또한, 구조적 유효성과 관계적 일관성을 개선하기 위해 listwise preference optimization 프레임워크를 도입했다. 구체적으로, 문법적, 의미적 근접성을 통해 요소별 혼동 가능한 후보를 생성하고, listwise objective를 사용하여 gold candidates를 경쟁적인 대안보다 선호하도록 모델을 훈련했다. 4개의 벤치마크 데이터셋에 대한 광범위한 실험을 통해 본 연구의 프레임워크가 quadruple 예측 정확도와 설명 일관성을 효과적으로 향상시킴을 입증했다.
