PDF|GEO:生成引擎优化(中文)

《GEO：生成引擎优化》–文末附获取下载方式

《GEO：生成引擎优化》提出生成式引擎优化（GEO）范式，旨在提升创作者内容在 GE 响应中的可见性。研究首先界定生成式引擎是融合检索与生成、能输出带内联引用多模态响应的新型搜索引擎，其无需用户访问原网站的特性导致创作者内容流量与可见性下降，且黑箱特性让创作者难以掌控内容呈现，而传统 SEO 策略无法适配该新范式。为此，研究构建了 GEO 黑箱优化框架，设计了专属可见性指标，包括客观的位置调整词数指标和涵盖相关性、影响力等维度的主观印象指标，还允许创作者自定义指标。同时，研究搭建了包含 10000 个多领域、多类型查询的 GEO-BENCH 基准数据集，涵盖真实用户查询与合成查询，按 8:1:1 划分训练 / 验证 / 测试集，标注了查询意图、难度等多维度类别。研究提出 9 种 GEO 优化方法，分为内容补充和风格优化两类，通过 GPT-3.5 实现文本修改，并在 GEO-BENCH 及实际部署的 Perplexity.ai 平台开展实验，以印象相对改进为评估指标。实验结果显示，添加统计数据、引语和引用来源的方法效果最佳，可使可见性提升高达 40%，流畅度优化、简化语言等风格优化方法也有 15%-30% 的提升，而传统 SEO 的关键词堆砌等方法效果不佳甚至负面。研究还发现 GEO 方法效果具有领域差异性，如权威性方法适用于辩论和历史领域，统计数据添加对法律政府领域更有效，且对搜索引擎排名较低的网站提升效果显著，最高达 115.1%，助力中小创作者提升竞争力。此外，研究在 Perplexity.ai 的实测验证了 GEO 方法的实际应用价值，相关传统 SEO 方法仍表现拉胯。研究的三大贡献为提出首个面向创作者的 GEO 通用框架、设计专属可见性指标、构建首个 GE 专用大规模基准数据集，同时指出 GEO 需结合领域特性实施。该研究为生成式引擎时代的内容优化提供了新方案，推动数字空间内容竞争的公平化，也为信息发现系统领域开辟了新方向，其代码已公开保障可复现性，且研究仅处理公开信息，符合伦理规范。