Typed-RAG: Descomposición Multi-Aspecto con Tipos para la Respuesta a Preguntas No Factuales

Typed-RAG: Type-aware Multi-Aspect Decomposition for Non-Factoid Question Answering

March 20, 2025

Autores: DongGeon Lee, Ahjeong Park, Hyeri Lee, Hyeonseo Nam, Yunho Maeng

cs.AI

Resumen

La respuesta a preguntas no factuales (NFQA, por sus siglas en inglés) representa un desafío significativo debido a su naturaleza abierta, la diversidad de intenciones y la necesidad de razonamiento multiaspectual, lo que hace que los enfoques convencionales de respuesta a preguntas factuales, incluida la generación aumentada por recuperación (RAG), resulten insuficientes. A diferencia de las preguntas factuales, las preguntas no factuales (NFQs) carecen de respuestas definitivas y requieren sintetizar información de múltiples fuentes a través de diversas dimensiones de razonamiento. Para abordar estas limitaciones, presentamos Typed-RAG, un marco de descomposición multiaspectual consciente del tipo dentro del paradigma RAG para NFQA. Typed-RAG clasifica las NFQs en tipos distintos —como debate, experiencia y comparación— y aplica una descomposición basada en aspectos para refinar las estrategias de recuperación y generación. Al descomponer las NFQs multiaspectuales en subpreguntas de un solo aspecto y agregar los resultados, Typed-RAG genera respuestas más informativas y contextualmente relevantes. Para evaluar Typed-RAG, introducimos Wiki-NFQA, un conjunto de datos de referencia que cubre diversos tipos de NFQs. Los resultados experimentales demuestran que Typed-RAG supera a los métodos base, destacando así la importancia de la descomposición consciente del tipo para una recuperación y generación efectivas en NFQA. Nuestro código y conjunto de datos están disponibles en https://github.com/TeamNLP/Typed-RAG{https://github.com/TeamNLP/Typed-RAG}.

English

Non-factoid question-answering (NFQA) poses a significant challenge due to its open-ended nature, diverse intents, and the need for multi-aspect reasoning, which renders conventional factoid QA approaches, including retrieval-augmented generation (RAG), inadequate. Unlike factoid questions, non-factoid questions (NFQs) lack definitive answers and require synthesizing information from multiple sources across various reasoning dimensions. To address these limitations, we introduce Typed-RAG, a type-aware multi-aspect decomposition framework within the RAG paradigm for NFQA. Typed-RAG classifies NFQs into distinct types -- such as debate, experience, and comparison -- and applies aspect-based decomposition to refine retrieval and generation strategies. By decomposing multi-aspect NFQs into single-aspect sub-queries and aggregating the results, Typed-RAG generates more informative and contextually relevant responses. To evaluate Typed-RAG, we introduce Wiki-NFQA, a benchmark dataset covering diverse NFQ types. Experimental results demonstrate that Typed-RAG outperforms baselines, thereby highlighting the importance of type-aware decomposition for effective retrieval and generation in NFQA. Our code and dataset are available at https://github.com/TeamNLP/Typed-RAG{https://github.com/TeamNLP/Typed-RAG}.