論文の概要: Characterizing Web Search in The Age of Generative AI

• arxiv url: http://arxiv.org/abs/2510.11560v1
• Date: Mon, 13 Oct 2025 16:04:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.444863
• Title: Characterizing Web Search in The Age of Generative AI
• Title（参考訳）: ジェネレーティブAIの時代におけるWeb検索の特徴
• Authors: Elisabeth Kirsten, Jost Grosse Perdekamp, Mihir Upadhyay, Krishna P. Gummadi, Muhammad Bilal Zafar,
• Abstract要約: 従来のウェブ検索エンジンであるGoogleと、2つのプロバイダ(GoogleとOpenAI)の4つの生成検索エンジンを比較した。 生成検索エンジンは、モデルパラメータに含まれる内部知識に依存する程度によって異なる。 本稿では,ジェネレーティブAI時代におけるWeb検索の評価基準の再検討の必要性を強調した。
• 参考スコア（独自算出の注目度）: 7.059953211629231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advent of LLMs has given rise to a new type of web search: Generative search, where LLMs retrieve web pages related to a query and generate a single, coherent text as a response. This output modality stands in stark contrast to traditional web search, where results are returned as a ranked list of independent web pages. In this paper, we ask: Along what dimensions do generative search outputs differ from traditional web search? We compare Google, a traditional web search engine, with four generative search engines from two providers (Google and OpenAI) across queries from four domains. Our analysis reveals intriguing differences. Most generative search engines cover a wider range of sources compared to web search. Generative search engines vary in the degree to which they rely on internal knowledge contained within the model parameters v.s. external knowledge retrieved from the web. Generative search engines surface varying sets of concepts, creating new opportunities for enhancing search diversity and serendipity. Our results also highlight the need for revisiting evaluation criteria for web search in the age of Generative AI.
• Abstract（参考訳）: ジェネレーティブ検索(Generative search)では、LLMがクエリに関連するWebページを検索し、応答として単一の一貫性のあるテキストを生成する。 この出力モダリティは、従来のWeb検索とは対照的に、結果が独立したWebページのランクリストとして返される。 生成的検索出力は従来のウェブ検索と何次元の違いがあるのか? 従来のWeb検索エンジンであるGoogleと、2つのプロバイダ(GoogleとOpenAI)の4つの生成検索エンジンを、4つのドメインからのクエリで比較した。 私たちの分析では興味深い違いが明らかになっている。 ほとんどの生成検索エンジンは、Web検索と比較して幅広いソースをカバーしている。 生成検索エンジンは、モデルパラメータに含まれる内部知識に依存する程度によって異なる。 生成検索エンジンは様々な概念の集合を表面化し、探索の多様性とセレンディピティーを高める新たな機会を生み出している。 また,ジェネレーティブAI時代におけるWeb検索の評価基準の再検討の必要性も強調した。

関連論文リスト

• Generative Engine Optimization: How to Dominate AI Search [13.959899706228176]
  ChatGPT、Perplexity、GeminiといったAIによる生成検索エンジンは、情報検索を再構築している。 本稿では,AI検索と従来のWeb検索(Google)を包括的に分析する。 私たちの重要な発見は、AI検索がブランドやソーシャルコンテンツに対して、アーンドメディア(第三者、権威ソース)に対して、体系的で圧倒的な偏見を示しています。
  論文  参考訳（メタデータ） (2025-09-10T18:29:18Z)
• From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
  推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。 静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。 我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
  論文  参考訳（メタデータ） (2025-06-23T17:27:19Z)
• Enhanced Facet Generation with LLM Editing [5.4327243200369555]
  情報検索においては,ユーザクエリのファセット識別が重要な課題である。 従来の研究は,検索によって得られた検索文書や関連クエリを活用することで,ファセット予測を強化することができる。 しかし、検索エンジンがモデルの一部として動作する場合、他のアプリケーションに拡張することは困難である。
  論文  参考訳（メタデータ） (2024-03-25T00:43:44Z)
• The Use of Generative Search Engines for Knowledge Work and Complex Tasks [26.583783763090732]
  Bing Copilotを使うタスクのタイプと複雑さをBing Searchと比較して分析する。 発見は、従来の検索エンジンよりも認知の複雑さが高い知識作業タスクのために、人々が生成検索エンジンを使用していることを示している。
  論文  参考訳（メタデータ） (2024-03-19T18:17:46Z)
• Crafting Knowledge: Exploring the Creative Mechanisms of Chat-Based Search Engines [3.5845457075304368]
  本研究の目的は,LLMを利用した検索エンジン,特にBing Chatが応答情報ソースを選択するメカニズムを解明することである。 Bing Chatは読みやすく、形式的に構造化されたコンテンツを好むだけでなく、より低いパープレキシティレベルを示す。 本調査では,RAG技術が引用するWebサイトと従来の検索エンジンの上位のWebサイトとの類似性を比較検討した。
  論文  参考訳（メタデータ） (2024-02-29T18:20:37Z)
• GEO: Generative Engine Optimization [50.45232692363787]
  我々は、生成エンジン(GE)の統一的な枠組みを定式化する。 GEは大規模な言語モデル(LLM)を使用して情報を収集し、ユーザクエリに応答する。 生成エンジンは通常、複数のソースから情報を合成し、それらを要約することでクエリを満足する。 我々は、生成エンジン応答におけるコンテンツの可視性向上を支援するために、コンテンツ作成者を支援する最初の新しいパラダイムである生成エンジン最適化(GEO)を紹介する。
  論文  参考訳（メタデータ） (2023-11-16T10:06:09Z)
• Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
  我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。 全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。 提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
  論文  参考訳（メタデータ） (2023-10-23T05:52:09Z)
• Exposing Query Identification for Search Transparency [69.06545074617685]
  本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。 本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
  論文  参考訳（メタデータ） (2021-10-14T20:19:27Z)
• Search Engine Similarity Analysis: A Combined Content and Rankings Approach [6.69087470775851]
  我々は、DuckDuckGoとともに、GoogleとBingという2つの主要な検索エンジンの親和性について分析する。 我々は、検索応答のコンテンツとランキングの両方を活用する新しい類似度指標を開発した。 しかしBingとDuckDuckGoは相違点が多い。
  論文  参考訳（メタデータ） (2020-11-01T23:57:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。