Typed-RAG: 비사실적 질문 응답을 위한 타입 인식 다중 측면 분해

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

March 20, 2025

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

cs.AI

초록

비사실적 질문응답(NFQA)은 그 개방형 특성, 다양한 의도, 그리고 다면적 추론의 필요성으로 인해 상당한 도전 과제로 여겨진다. 이는 기존의 사실적 QA 접근법, 즉 검색 강화 생성(RAG)을 포함한 방법들로는 부적합하다는 것을 의미한다. 사실적 질문과 달리, 비사실적 질문(NFQs)은 명확한 답이 없으며 다양한 추론 차원에서 여러 출처의 정보를 종합해야 한다. 이러한 한계를 해결하기 위해, 우리는 RAG 패러다임 내에서 타입 인식 다면적 분해 프레임워크인 Typed-RAG를 제안한다. Typed-RAG는 NFQs를 토론, 경험, 비교 등과 같은 구별되는 타입으로 분류하고, 측면 기반 분해를 적용하여 검색 및 생성 전략을 개선한다. 다면적 NFQs를 단일 측면 하위 질문으로 분해하고 결과를 집계함으로써, Typed-RAG는 더 많은 정보를 제공하고 문맥적으로 관련성 높은 응답을 생성한다. Typed-RAG를 평가하기 위해, 우리는 다양한 NFQ 타입을 포함하는 벤치마크 데이터셋인 Wiki-NFQA를 소개한다. 실험 결과는 Typed-RAG가 기준 모델들을 능가함을 보여주며, 이는 NFQA에서 효과적인 검색과 생성을 위한 타입 인식 분해의 중요성을 강조한다. 우리의 코드와 데이터셋은 https://github.com/TeamNLP/Typed-RAG{https://github.com/TeamNLP/Typed-RAG}에서 확인할 수 있다.

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}.