Typed-RAG: 非事実質問応答のための型を考慮した多面的分解

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

March 20, 2025

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

cs.AI

要旨

非ファクトイド質問応答（NFQA）は、そのオープンエンドな性質、多様な意図、および多面的な推論の必要性により、従来のファクトイドQAアプローチ（検索拡張生成（RAG）を含む）では不十分であるという重要な課題を提起します。ファクトイド質問とは異なり、非ファクトイド質問（NFQ）には明確な答えがなく、さまざまな推論次元にわたる複数の情報源から情報を統合する必要があります。これらの制約に対処するため、我々はTyped-RAGを提案します。これは、NFQAのためのRAGパラダイム内でタイプを意識した多面的分解フレームワークです。Typed-RAGは、NFQを議論、経験、比較などの異なるタイプに分類し、アスペクトベースの分解を適用して検索と生成戦略を洗練させます。多面的なNFQを単一アスペクトのサブクエリに分解し、結果を集約することで、Typed-RAGはより情報量が多く文脈に関連した応答を生成します。Typed-RAGを評価するために、我々は多様なNFQタイプをカバーするベンチマークデータセットであるWiki-NFQAを導入します。実験結果は、Typed-RAGがベースラインを上回ることを示し、NFQAにおける効果的な検索と生成のためのタイプを意識した分解の重要性を強調します。我々のコードとデータセットはhttps://github.com/TeamNLP/Typed-RAG{https://github.com/TeamNLP/Typed-RAG}で利用可能です。

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}.