Typed-RAG: Typebewuste Multi-Aspect Decompositie voor Niet-Factoïde Vraagbeantwoording

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

Samenvatting

Het beantwoorden van niet-factoïde vragen (NFQA) vormt een aanzienlijke uitdaging vanwege het open-einde karakter, de diverse intenties en de noodzaak voor multi-aspect redenering, waardoor conventionele benaderingen voor factoïde vraag-antwoord, inclusief retrieval-augmented generation (RAG), ontoereikend zijn. In tegenstelling tot factoïde vragen hebben niet-factoïde vragen (NFQs) geen definitieve antwoorden en vereisen ze het synthetiseren van informatie uit meerdere bronnen over verschillende redeneerdimensies. Om deze beperkingen aan te pakken, introduceren we Typed-RAG, een type-bewust multi-aspect decompositiekader binnen het RAG-paradigma voor NFQA. Typed-RAG classificeert NFQs in verschillende typen -- zoals debat, ervaring en vergelijking -- en past aspect-gebaseerde decompositie toe om de retrieval- en generatiestrategieën te verfijnen. Door multi-aspect NFQs te decomponeren in enkelvoudige aspect sub-vragen en de resultaten te aggregeren, genereert Typed-RAG meer informatieve en contextueel relevante antwoorden. Om Typed-RAG te evalueren, introduceren we Wiki-NFQA, een benchmarkdataset die diverse NFQ-typen omvat. Experimentele resultaten tonen aan dat Typed-RAG de baseline-methoden overtreft, wat het belang van type-bewuste decompositie voor effectieve retrieval en generatie in NFQA benadrukt. Onze code en dataset zijn beschikbaar op 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}.