Typed-RAG: Typbewusste Multi-Aspekt-Zerlegung für die Beantwortung nicht-faktischer Fragen

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

March 20, 2025

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

cs.AI

Zusammenfassung

Die Beantwortung nicht-faktischer Fragen (Non-factoid Question-Answering, NFQA) stellt eine erhebliche Herausforderung dar, da sie durch ihren offenen Charakter, vielfältige Intentionen und die Notwendigkeit einer mehrdimensionalen Argumentation gekennzeichnet ist. Dies macht konventionelle Ansätze zur Beantwortung faktischer Fragen, einschließlich retrieval-augmentierter Generierung (Retrieval-Augmented Generation, RAG), unzureichend. Im Gegensatz zu faktischen Fragen haben nicht-faktische Fragen (Non-factoid Questions, NFQs) keine eindeutigen Antworten und erfordern die Synthese von Informationen aus mehreren Quellen über verschiedene Argumentationsdimensionen hinweg. Um diese Einschränkungen zu überwinden, führen wir Typed-RAG ein, ein typbewusstes, mehrdimensionales Dekompositionsframework innerhalb des RAG-Paradigmas für NFQA. Typed-RAG klassifiziert NFQs in verschiedene Typen – wie Debatte, Erfahrung und Vergleich – und wendet aspektbasierte Dekomposition an, um die Retrieval- und Generierungsstrategien zu verfeinern. Durch die Zerlegung mehrdimensionaler NFQs in ein-dimensionale Teilfragen und die Aggregation der Ergebnisse generiert Typed-RAG informativer und kontextuell relevantere Antworten. Zur Bewertung von Typed-RAG stellen wir Wiki-NFQA vor, einen Benchmark-Datensatz, der verschiedene NFQ-Typen abdeckt. Experimentelle Ergebnisse zeigen, dass Typed-RAG die Baselines übertrifft und damit die Bedeutung der typbewussten Dekomposition für effektives Retrieval und Generierung in NFQA unterstreicht. Unser Code und der Datensatz sind verfügbar unter 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}.