Aspect Sentiment Triplet Extraction (ASTE)는 세부적인 감성 분석 작업으로, 리뷰 문장에서 측면 용어, 감성, 그리고 의견 용어의 트리플을 추출하는 것을 목표로 합니다. 최근에, 스패ن 수준 모델들은 모든 가능한 스패ン의 예측을 활용하여 ASTE 작업에서 높은 성과를 거두었습니다. 모든 가능한 스패인이 잠재적인 측면 및 의견 후보군의 수를 크게 증가시키기 때문에, 이들 중에서 효율적으로 트리플 요소를 추출하는 것은 중요하면서도 도전적인 과제입니다. 본 논문에서는 모든 가능한 스패니를 입력으로 사용하고, 양방향으로 스패인에서 트리플을 추출하는 스패인 수준 양방향 네트워크를 제시합니다. 구체적으로, 우리는 측면 디코더와 의견 디코더를 설계하여 스패인 표현을 디코딩하고 측면-의견 방향과 의견-측면 방향으로 트리플을 추출합니다. 이 두 개의 디코더가 서로 보완함으로써 전체 네트워크는 스패인에서 트리플을 더 포괄적으로 추출할 수 있습니다. 또한, 스패인 간 상호 배타성이 보장되지 않을 수 있다는 점을 고려하여, 훈련 과정 중 유사한 스패인들의 KL 발산(KL divergence)을 확장하여 올바른 스패인을 구분하는 다운스트림 작업을 지원하기 위한 유사한 스패인 분리 손실 함수를 설계하였습니다. 추론 과정에서는 신뢰도 점수를 기반으로 충돌하는 트리플들을 결과에서 제거하는 추론 전략을 채택하였습니다. 실험 결과는 우리의 프레임워크가 단일 최고 성능 방법론들을 크게 능가할뿐만 아니라, 다중 토큰 엔티티(multi-token entities)를 포함한 트리플 예측과 다중 트리플이 포함된 문장에서의 트리플 추출 성능이 우수함을 보여주었습니다.