Typed-RAG: Тип-ориентированная многомерная декомпозиция для ответов на нефактоидные вопросы

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

March 20, 2025

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

cs.AI

Аннотация

Ответы на нефактоидные вопросы (NFQA) представляют собой значительную проблему из-за их открытого характера, разнообразия намерений и необходимости многомерного рассуждения, что делает традиционные подходы к фактоидным вопросам, включая генерацию с усилением поиска (RAG), недостаточными. В отличие от фактоидных вопросов, нефактоидные вопросы (NFQ) не имеют однозначных ответов и требуют синтеза информации из нескольких источников по различным аспектам рассуждения. Для устранения этих ограничений мы представляем Typed-RAG — типозависимую многомерную декомпозиционную структуру в рамках парадигмы RAG для NFQA. Typed-RAG классифицирует NFQ на различные типы, такие как дискуссия, опыт и сравнение, и применяет аспектную декомпозицию для уточнения стратегий поиска и генерации. Разделяя многомерные NFQ на одномерные подзапросы и агрегируя результаты, Typed-RAG генерирует более информативные и контекстуально релевантные ответы. Для оценки Typed-RAG мы представляем Wiki-NFQA — эталонный набор данных, охватывающий различные типы NFQ. Результаты экспериментов показывают, что Typed-RAG превосходит базовые подходы, подчеркивая важность типозависимой декомпозиции для эффективного поиска и генерации в NFQA. Наш код и набор данных доступны по адресу 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}.