Typed-RAG：面向非事实性问题的类型感知分解检索增强生成框架
计算与语言
2025-07-23 v3 信息检索
摘要
非事实性问答（NFQA）因其开放性、用户意图的多样性以及需要多方面推理而具有挑战性，这些特征常常暴露了常规检索增强生成（RAG）方法的局限性。为克服这些挑战，我们提出Typed-RAG框架，在RAG范式中进行非事实性问题（NFQ）的类型感知分解。具体而言，Typed-RAG首先将NFQ分类到预定义的类型（例如辩论、经验、比较）。然后，将问题分解为聚焦子查询，每个子查询都聚焦于单个方面。这种分解既增强了检索相关性，也提高了答案质量。通过组合这些子查询的结果，Typed-RAG生成更具信息性和情境一致性的响应。此外，我们构建了Wiki-NFQA数据集，用于NFQA，涵盖广泛的NFQ类型。实验表明，Typed-RAG在基于LLM或RAG方法的现有QA方法上始终优于，验证了类型感知分解在提高NFQA中检索质量和答案生成方面的有效性。我们的代码和数据集可在https://github.com/TeamNLP/Typed-RAG上获取。
引用
@article{arxiv.2503.15879,
title = {Typed-RAG: Type-Aware Decomposition of Non-Factoid Questions for Retrieval-Augmented Generation},
author = {DongGeon Lee and Ahjeong Park and Hyeri Lee and Hyeonseo Nam and Yunho Maeng},
journal= {arXiv preprint arXiv:2503.15879},
year = {2025}
}
备注
Accepted to XLLM@ACL 2025