Typed-RAG: Scomposizione Multi-Aspetto con Consapevolezza del Tipo per il Rispondere a Domande Non-Fattuali

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

March 20, 2025

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

cs.AI

Abstract

Il question-answering non fattuale (NFQA) rappresenta una sfida significativa a causa della sua natura aperta, delle intenzioni diverse e della necessità di un ragionamento multi-aspetto, che rende inadeguati gli approcci convenzionali di QA fattuale, inclusa la generazione aumentata dal recupero (RAG). A differenza delle domande fattuali, le domande non fattuali (NFQ) non hanno risposte definitive e richiedono la sintesi di informazioni provenienti da più fonti attraverso varie dimensioni di ragionamento. Per affrontare queste limitazioni, introduciamo Typed-RAG, un framework di decomposizione multi-aspetto consapevole del tipo all'interno del paradigma RAG per il NFQA. Typed-RAG classifica le NFQ in tipi distinti -- come dibattito, esperienza e confronto -- e applica una decomposizione basata sugli aspetti per affinare le strategie di recupero e generazione. Scomponendo le NFQ multi-aspetto in sotto-query mono-aspetto e aggregando i risultati, Typed-RAG genera risposte più informative e contestualmente rilevanti. Per valutare Typed-RAG, introduciamo Wiki-NFQA, un dataset di benchmark che copre diversi tipi di NFQ. I risultati sperimentali dimostrano che Typed-RAG supera i baseline, evidenziando così l'importanza della decomposizione consapevole del tipo per un recupero e una generazione efficaci nel NFQA. Il nostro codice e il dataset sono disponibili all'indirizzo 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}.