Typed-RAG : Décomposition multi-aspects basée sur les types pour la réponse à des questions non factuelles

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

March 20, 2025

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

cs.AI

Résumé

La réponse à des questions non factuelles (NFQA) représente un défi majeur en raison de leur nature ouverte, de la diversité des intentions et de la nécessité d'un raisonnement multi-aspects, ce qui rend les approches conventionnelles de réponse à des questions factuelles, y compris la génération assistée par récupération (RAG), inadéquates. Contrairement aux questions factuelles, les questions non factuelles (NFQs) n'ont pas de réponses définitives et nécessitent la synthèse d'informations provenant de multiples sources à travers diverses dimensions de raisonnement. Pour pallier ces limitations, nous introduisons Typed-RAG, un cadre de décomposition multi-aspects conscient des types au sein du paradigme RAG pour la NFQA. Typed-RAG classe les NFQs en types distincts -- tels que débat, expérience et comparaison -- et applique une décomposition basée sur les aspects pour affiner les stratégies de récupération et de génération. En décomposant les NFQs multi-aspects en sous-requêtes mono-aspects et en agrégeant les résultats, Typed-RAG génère des réponses plus informatives et contextuellement pertinentes. Pour évaluer Typed-RAG, nous introduisons Wiki-NFQA, un ensemble de données de référence couvrant divers types de NFQs. Les résultats expérimentaux montrent que Typed-RAG surpasse les approches de référence, mettant ainsi en lumière l'importance de la décomposition consciente des types pour une récupération et une génération efficaces dans la NFQA. Notre code et notre ensemble de données sont disponibles à l'adresse suivante : 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}.