論文の概要: SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization

• arxiv url: http://arxiv.org/abs/2602.12187v1
• Date: Thu, 12 Feb 2026 17:18:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.954578
• Title: SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization
• Title（参考訳）: SAGEO Arena: 検索強化ジェネレーティブエンジン最適化を評価するための現実的な環境
• Authors: Sunghwan Kim, Wooseok Jeong, Serin Kim, Sangam Lee, Dongha Lee,
• Abstract要約: Search-Augmented Generative Engines (SAGE) が情報アクセスの新しいパラダイムとして登場した。 現在、SAGEOの総合的な調査を支援する評価環境はない。 ステージレベルのSAGEO分析のための現実的で再現可能な環境であるSAGEO Arenaを紹介する。
• 参考スコア（独自算出の注目度）: 11.467565046589414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Search-Augmented Generative Engines (SAGE) have emerged as a new paradigm for information access, bridging web-scale retrieval with generative capabilities to deliver synthesized answers. This shift has fundamentally reshaped how web content gains exposure online, giving rise to Search-Augmented Generative Engine Optimization (SAGEO), the practice of optimizing web documents to improve their visibility in AI-generated responses. Despite growing interest, no evaluation environment currently supports comprehensive investigation of SAGEO. Specifically, existing benchmarks lack end-to-end visibility evaluation of optimization strategies, operating on pre-determined candidate documents that abstract away retrieval and reranking preceding generation. Moreover, existing benchmarks discard structural information (e.g., schema markup) present in real web documents, overlooking the rich signals that search systems actively leverage in practice. Motivated by these gaps, we introduce SAGEO Arena, a realistic and reproducible environment for stage-level SAGEO analysis. Our objective is to jointly target search-oriented optimization (SEO) and generation-centric optimization (GEO). To achieve this, we integrate a full generative search pipeline over a large-scale corpus of web documents with rich structural information. Our findings reveal that existing approaches remain largely impractical under realistic conditions and often degrade performance in retrieval and reranking. We also find that structural information helps mitigate these limitations, and that effective SAGEO requires tailoring optimization to each pipeline stage. Overall, our benchmark paves the way for realistic SAGEO evaluation and optimization beyond simplified settings.
• Abstract（参考訳）: Search-Augmented Generative Engines (SAGE)は、情報アクセスのための新しいパラダイムとして登場し、生成機能を備えたWebスケール検索によって、合成された回答を提供する。 このシフトは、Webコンテンツをオンラインに公開する方法を根本的に変え、検索拡張生成エンジン最適化(SAGEO: Search-Augmented Generative Engine Optimization)という、AI生成レスポンスの可視性を改善するためにWebドキュメントを最適化するプラクティスを生み出した。 関心が高まりつつも、現在、SAGEOの総合的な調査を支援する評価環境は存在しない。 具体的には、既存のベンチマークでは最適化戦略のエンドツーエンドの可視性評価が欠如しており、事前決定された候補文書で検索を抽象化し、前世代を再評価する。 さらに、既存のベンチマークでは、実際のWebドキュメントに存在する構造情報(例えばスキーママークアップ)を破棄し、検索システムが実際に活用しているリッチな信号を見渡す。 SAGEOアリーナ(SAGEO Arena)はステージレベルのSAGEO分析のための現実的で再現可能な環境である。 本研究の目的は,探索指向最適化 (SEO) と生成中心最適化 (GEO) を併用することである。 そこで我々は,Webドキュメントの大規模コーパス上に,豊富な構造情報を備えた完全な生成探索パイプラインを構築した。 以上の結果から,既存のアプローチは現実的な条件下ではほとんど実用的ではなく,検索と再ランク付けにおいて性能が低下することが示唆された。 また、構造情報はこれらの制限を緩和するのに役立ち、効果的にSAGEOはパイプラインステージごとに最適化する必要があることもわかりました。 全体的に、我々のベンチマークは、単純化された設定以上の現実的なSAGEO評価と最適化の道を開く。

関連論文リスト

• Chained Prompting for Better Systematic Review Search Strategies [0.6633201258809686]
  本稿では,システムレビューにおいて,検索戦略の自動開発のための大規模言語モデルに基づく連鎖型プロンプトエンジニアリングフレームワークを提案する。 このフレームワークは、手動検索設計の手続き的構造を再現し、LLMを活用して、レビュー対象を分解し、PICO要素を抽出し、概念表現を生成し、用語を拡張し、クエリを合成する。
  論文  参考訳（メタデータ） (2025-11-28T12:12:38Z)
• Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
  そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。 提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-19T16:46:11Z)
• WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research [73.58638285105971]
  本稿では,AIエージェントが膨大なWebスケール情報を洞察に富むレポートに合成しなければならない複雑な課題であるtextbfopen-ended Deep Research (OEDR) に取り組む。 人間の研究プロセスをエミュレートする新しいデュアルエージェントフレームワークである textbfWebWeaver を紹介する。 私たちのフレームワークは、DeepResearch Bench、DeepConsult、DeepResearchGymなど、主要なOEDRベンチマークにまたがる最先端の新たなベンチマークを確立しています。
  論文  参考訳（メタデータ） (2025-09-16T17:57:21Z)
• 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)
• SimpleDeepSearcher: Deep Information Seeking via Web-Powered Reasoning Trajectory Synthesis [94.33978856270268]
  Retrieval-augmented Generation (RAG) システムは複雑なディープ検索シナリオにおいて高度な大規模言語モデル(LLM)を持つ。 既存のアプローチでは、高品質なトレーニングトラジェクトリが欠如し、分散ミスマッチに苦しむ、重要な制限に直面しています。 本稿では,複雑なトレーニングパラダイムではなく,戦略的データエンジニアリングによるギャップを埋めるフレームワークであるSimpleDeepSearcherを紹介する。
  論文  参考訳（メタデータ） (2025-05-22T16:05:02Z)
• InfoDeepSeek: Benchmarking Agentic Information Seeking for Retrieval-Augmented Generation [63.55258191625131]
  InfoDeepSeekは、現実世界の動的Web環境でエージェント情報を求めるための新しいベンチマークである。 本稿では,決定性,難易度,多様性の基準を満たす課題クエリを構築するための体系的手法を提案する。 本研究では,情報探索結果の正確性,有用性,コンパクト性に関する詳細な指標を含む,動的エージェント情報探索に適した最初の評価フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-05-21T14:44:40Z)
• Token-level Proximal Policy Optimization for Query Generation [45.81132350185301]
  State-of-the-art query generation methodは、文脈理解とテキスト生成における強力な能力にLarge Language Models(LLM)を利用する。 そこで本稿では,LLMのクエリ生成性能向上を目的としたノバルアプローチである,TOken-level Proximal Policy Optimization (TPPO)を提案する。 TPPOはReinforcement Learning from AI Feedback (RLAIF)パラダイムに基づいており、トークンレベルの報酬モデルとトークンレベルのポリシー最適化モジュールで構成されている。
  論文  参考訳（メタデータ） (2024-11-01T16:36:14Z)

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。