論文の概要: E-GEO: A Testbed for Generative Engine Optimization in E-Commerce

• arxiv url: http://arxiv.org/abs/2511.20867v1
• Date: Tue, 25 Nov 2025 21:28:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.869879
• Title: E-GEO: A Testbed for Generative Engine Optimization in E-Commerce
• Title（参考訳）: E-GEO:Eコマースにおける生成エンジン最適化のためのテストベッド
• Authors: Puneet S. Bagga, Vivek F. Farias, Tamar Korkotashvili, Tianyi Peng, Yuhang Wu,
• Abstract要約: 生成エンジン最適化は、生成エンジンのコンテンツの可視性と関連性を改善する。 現在のGEOのプラクティスはアドホックで、その影響は理解されていないままです。 E-GEOは、EコマースGEO専用に開発された最初のベンチマークである。
• 参考スコア（独自算出の注目度）: 9.66101096555058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rise of large language models (LLMs), generative engines are becoming powerful alternatives to traditional search, reshaping retrieval tasks. In e-commerce, for instance, conversational shopping agents now guide consumers to relevant products. This shift has created the need for generative engine optimization (GEO)--improving content visibility and relevance for generative engines. Yet despite its growing importance, current GEO practices are ad hoc, and their impacts remain poorly understood, especially in e-commerce. We address this gap by introducing E-GEO, the first benchmark built specifically for e-commerce GEO. E-GEO contains over 7,000 realistic, multi-sentence consumer product queries paired with relevant listings, capturing rich intent, constraints, preferences, and shopping contexts that existing datasets largely miss. Using this benchmark, we conduct the first large-scale empirical study of e-commerce GEO, evaluating 15 common rewriting heuristics and comparing their empirical performance. To move beyond heuristics, we further formulate GEO as a tractable optimization problem and develop a lightweight iterative prompt-optimization algorithm that can significantly outperform these baselines. Surprisingly, the optimized prompts reveal a stable, domain-agnostic pattern--suggesting the existence of a "universally effective" GEO strategy. Our data and code are publicly available at https://github.com/psbagga17/E-GEO.
• Abstract（参考訳）: 大規模言語モデル (LLMs) の台頭に伴い、生成エンジンは従来の検索の代替として強力な選択肢となり、検索タスクを再構築している。 たとえばeコマースでは、会話型ショッピングエージェントが消費者を関連製品に誘導する。 このシフトは、生成エンジンの可視性と関連性を改善するため、生成エンジン最適化(GEO)の必要性を生み出した。 しかし、その重要性は増しているが、現在のGEOのプラクティスはアドホックであり、その影響は、特にeコマースではよく理解されていない。 E-GEOは、EコマースGEOに特化した最初のベンチマークである。 E-GEOには7000以上のリアルで多文のコンシューマ製品クエリと関連するリストを組み合わせ、豊富なインテント、制約、嗜好、既存のデータセットがほとんど見逃しているショッピングコンテキストが格納されている。 本ベンチマークを用いて,電子商取引GEOの大規模実証研究を行い,15の共通書き換えヒューリスティックを評価し,その経験的性能を比較した。 ヒューリスティックスを超えて、GEOをトラクタブルな最適化問題として定式化し、これらのベースラインを大幅に上回る軽量な反復的プロンプト最適化アルゴリズムを開発する。 驚くべきことに、最適化されたプロンプトは安定的でドメインに依存しないパターンを明らかにし、"普遍的に効果的"なGEO戦略の存在を示唆している。 私たちのデータとコードはhttps://github.com/psbagga17/E-GEO.comで公開されています。

関連論文リスト

• GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
  GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。 GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。 GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
  論文  参考訳（メタデータ） (2025-11-19T17:45:02Z)
• What Generative Search Engines Like and How to Optimize Web Content Cooperatively [29.736392688493808]
  Google AI概要やChatGPTといったジェネレーティブエンジンは、ユーザエクスペリエンスを大幅に強化する。 これらの急速な採用は、コンテンツプロバイダがより牽引力を得ようとしているため、ジェネレーティブエンジン最適化(GEO)の必要性も引き起こしている。 本稿では,検索したコンテンツを用いて応答生成を行う際に,生成エンジンの好みを自動的に学習するフレームワークであるAutoGEOを紹介する。
  論文  参考訳（メタデータ） (2025-10-13T14:10:26Z)
• GeoGPT-RAG Technical Report [48.23789135946953]
  GeoGPTは、地球科学の研究を進めるために開発されたオープンな大規模言語モデルシステムである。 RAGは、外部知識ソースから取得した関連情報を出力する。 RAGは、地質学的コンテンツ用にキュレーションされた特殊なコーパスであるGeoGPT Libraryから、RAGを使用して描画する。
  論文  参考訳（メタデータ） (2025-08-18T08:29:22Z)
• Role-Augmented Intent-Driven Generative Search Engine Optimization [9.876307656819039]
  本稿では,G-SEO(Role-Augmented Intent-Driven Generative Search Engine Optimization)法を提案する。 提案手法は,多種多様な情報的役割にまたがるリフレクティブ・リフレクティブ・リファインメントによる検索意図をモデル化し,ターゲットコンテンツの強化を可能にする。 実験結果から,検索意図がコンテンツ最適化に有効な信号であることが示された。
  論文  参考訳（メタデータ） (2025-08-15T02:08:55Z)
• 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)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• GEO: Enhancing Combinatorial Optimization with Classical and Quantum Generative Models [62.997667081978825]
  我々は、生成モデルとして知られる機械学習モデルを活用する新しいフレームワークを導入し、最適化問題を解決する。 我々は、テンソルネットワークマシンに依存するGEOの量子インスパイアされたバージョンに注力する。 関数呼び出し数に対する固定予算が与えられた場合、その目標が最小限の最小値を求める場合、その優れた性能を示す。
  論文  参考訳（メタデータ） (2021-01-15T18:18:38Z)

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。