@inproceedings{ribeiro-etal-2026-aspectrag,
title = "{A}spect{RAG}: Uma Arquitetura de Recupera{\c{c}}{\~a}o e Gera{\c{c}}{\~a}o para An{\'a}lise de Sentimentos Baseada em Aspectos",
author = "Ribeiro, Erick R. and
Carvalho, Andr{\'e} and
Esashika, Rhedson",
editor = "Souza, Marlo and
de-Dios-Flores, Iria and
Santos, Diana and
Freitas, Larissa and
Souza, Jackson Wilke da Cruz and
Ribeiro, Eug{\'e}nio",
booktitle = "Proceedings of the 17th International Conference on Computational Processing of {P}ortuguese ({PROPOR} 2026) - Vol. 1",
month = apr,
year = "2026",
address = "Salvador, Brazil",
publisher = "Association for Computational Linguistics",
url = "https://aclanthology.org/2026.propor-1.19/",
pages = "194--202",
ISBN = "979-8-89176-387-6",
abstract = "Propomos o AspectRAG, uma arquitetura de Recupera{\c{c}}{\~a}o e Gera{\c{c}}{\~a}o para ASTE em portugu{\^e}s que opera sem treinamento supervisionado. O m{\'e}todo extrai aspectos com um LLM, codifica-os como vetores densos e usa apenas esses vetores para recuperar evid{\^e}ncias altamente espec{\'i}ficas por meio de busca aproximada e fus{\~a}o de rankings. As evid{\^e}ncias recuperadas comp{\~o}em o contexto do modelo gerador, que produz as triplas finais. Nos datasets ReLi e ReHol, o AspectRAG obt{\'e}m at{\'e} 93,47{\%} em ATE, 80,68{\%} em OTE e 69,83{\%} em ASTE, superando modelos supervisionados como OTE-MTL, CMLA-MTL e BOTE, o estado da arte em Portugu{\^e}s. O estudo de abla{\c{c}}{\~a}o evidencia que a recupera{\c{c}}{\~a}o sem{\^a}ntica guiada por aspectos {\'e} o principal fator respons{\'a}vel pelos ganhos observados, enquanto o tamanho do LLM tem impacto secund{\'a}rio. Os resultados mostram que a arquitetura AspectRAG {\'e} uma solu{\c{c}}{\~a}o eficiente, e competitiva mesmo sem fine-tuning, apoiando-se apenas em recupera{\c{c}}{\~a}o vetorial e infer{\^e}ncia contextualizada."
}<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="ribeiro-etal-2026-aspectrag">
<titleInfo>
<title>AspectRAG: Uma Arquitetura de Recuperação e Geração para Análise de Sentimentos Baseada em Aspectos</title>
</titleInfo>
<name type="personal">
<namePart type="given">Erick</namePart>
<namePart type="given">R</namePart>
<namePart type="family">Ribeiro</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">André</namePart>
<namePart type="family">Carvalho</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Rhedson</namePart>
<namePart type="family">Esashika</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2026-04</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<relatedItem type="host">
<titleInfo>
<title>Proceedings of the 17th International Conference on Computational Processing of Portuguese (PROPOR 2026) - Vol. 1</title>
</titleInfo>
<name type="personal">
<namePart type="given">Marlo</namePart>
<namePart type="family">Souza</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Iria</namePart>
<namePart type="family">de-Dios-Flores</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Diana</namePart>
<namePart type="family">Santos</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Larissa</namePart>
<namePart type="family">Freitas</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Jackson</namePart>
<namePart type="given">Wilke</namePart>
<namePart type="given">da</namePart>
<namePart type="given">Cruz</namePart>
<namePart type="family">Souza</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Eugénio</namePart>
<namePart type="family">Ribeiro</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>Association for Computational Linguistics</publisher>
<place>
<placeTerm type="text">Salvador, Brazil</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
<identifier type="isbn">979-8-89176-387-6</identifier>
</relatedItem>
<abstract>Propomos o AspectRAG, uma arquitetura de Recuperação e Geração para ASTE em português que opera sem treinamento supervisionado. O método extrai aspectos com um LLM, codifica-os como vetores densos e usa apenas esses vetores para recuperar evidências altamente específicas por meio de busca aproximada e fusão de rankings. As evidências recuperadas compõem o contexto do modelo gerador, que produz as triplas finais. Nos datasets ReLi e ReHol, o AspectRAG obtém até 93,47% em ATE, 80,68% em OTE e 69,83% em ASTE, superando modelos supervisionados como OTE-MTL, CMLA-MTL e BOTE, o estado da arte em Português. O estudo de ablação evidencia que a recuperação semântica guiada por aspectos é o principal fator responsável pelos ganhos observados, enquanto o tamanho do LLM tem impacto secundário. Os resultados mostram que a arquitetura AspectRAG é uma solução eficiente, e competitiva mesmo sem fine-tuning, apoiando-se apenas em recuperação vetorial e inferência contextualizada.</abstract>
<identifier type="citekey">ribeiro-etal-2026-aspectrag</identifier>
<location>
<url>https://aclanthology.org/2026.propor-1.19/</url>
</location>
<part>
<date>2026-04</date>
<extent unit="page">
<start>194</start>
<end>202</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T AspectRAG: Uma Arquitetura de Recuperação e Geração para Análise de Sentimentos Baseada em Aspectos
%A Ribeiro, Erick R.
%A Carvalho, André
%A Esashika, Rhedson
%Y Souza, Marlo
%Y de-Dios-Flores, Iria
%Y Santos, Diana
%Y Freitas, Larissa
%Y Souza, Jackson Wilke da Cruz
%Y Ribeiro, Eugénio
%S Proceedings of the 17th International Conference on Computational Processing of Portuguese (PROPOR 2026) - Vol. 1
%D 2026
%8 April
%I Association for Computational Linguistics
%C Salvador, Brazil
%@ 979-8-89176-387-6
%F ribeiro-etal-2026-aspectrag
%X Propomos o AspectRAG, uma arquitetura de Recuperação e Geração para ASTE em português que opera sem treinamento supervisionado. O método extrai aspectos com um LLM, codifica-os como vetores densos e usa apenas esses vetores para recuperar evidências altamente específicas por meio de busca aproximada e fusão de rankings. As evidências recuperadas compõem o contexto do modelo gerador, que produz as triplas finais. Nos datasets ReLi e ReHol, o AspectRAG obtém até 93,47% em ATE, 80,68% em OTE e 69,83% em ASTE, superando modelos supervisionados como OTE-MTL, CMLA-MTL e BOTE, o estado da arte em Português. O estudo de ablação evidencia que a recuperação semântica guiada por aspectos é o principal fator responsável pelos ganhos observados, enquanto o tamanho do LLM tem impacto secundário. Os resultados mostram que a arquitetura AspectRAG é uma solução eficiente, e competitiva mesmo sem fine-tuning, apoiando-se apenas em recuperação vetorial e inferência contextualizada.
%U https://aclanthology.org/2026.propor-1.19/
%P 194-202
Markdown (Informal)
[AspectRAG: Uma Arquitetura de Recuperação e Geração para Análise de Sentimentos Baseada em Aspectos](https://aclanthology.org/2026.propor-1.19/) (Ribeiro et al., PROPOR 2026)
ACL