論文の概要: Algorithmic Trust and Compliance: Benchmarking Brand Notability for UK iGaming Entities in Generative Search Engines
- arxiv url: http://arxiv.org/abs/2603.12282v1
- Date: Thu, 05 Mar 2026 09:17:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:42.205172
- Title: Algorithmic Trust and Compliance: Benchmarking Brand Notability for UK iGaming Entities in Generative Search Engines
- Title（参考訳）: アルゴリズム信頼とコンプライアンス: ジェネレーティブ検索エンジンにおける英国のiGamingエンティティのブランド通知のベンチマーク
- Authors: Julen Oruesagasti,
- Abstract要約: 私たちは、伝統的なランク付けされたリストから、合成された引用支援の回答へとシフトしているのを目撃しています。
英国のiGamingセクターのような高度に規制された環境では、視認性はキーワード密度によって規定されるのではなく、エンティティが"Algorithmic Trust"を投影する能力によって規定される。
最近の大規模な実験では、AI検索がブランドが所有するコンテンツに対して、アーンドメディア(第三者、権威のあるソース)に対して体系的で圧倒的な偏見を示しています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid adoption of generative AI-powered search engines, such as ChatGPT, Perplexity, and Gemini, is fundamentally reshaping information retrieval. We are witnessing a critical shift from traditional ranked lists to synthesized, citation-backed answers. This paradigm shift challenges established Search Engine Optimization (SEO) practices and necessitates a new framework, termed Generative Engine Optimization (GEO). In highly regulated environments like the UK iGaming sector, visibility is no longer dictated by keyword density, but by an entity's ability to project "Algorithmic Trust". This report presents an empirical analysis of how compliance signals -- such as UK Gambling Commission (UKGC) standards -- function as authority multipliers for Large Language Models (LLMs) when properly structured. Recent large-scale experiments reveal that AI Search exhibits a systematic and overwhelming bias towards Earned media (third-party, authoritative sources) over Brand-owned content. Consequently, practitioners must engineer their content for machine scannability and justification to dominate these new AI-perceived authority metrics.
- Abstract（参考訳）: ChatGPT、Perplexity、GeminiといったAIによる生成検索エンジンの急速な採用は、情報検索を根本的に変えている。
私たちは、伝統的なランク付けされたリストから、合成された引用支援の回答へと、重要な変化を目の当たりにしています。
このパラダイムシフトは、検索エンジン最適化(SEO)のプラクティスを確立し、GEO(Generative Engine Optimization)と呼ばれる新しいフレームワークを必要とする。
英国のiGamingセクターのような高度に規制された環境では、視認性はキーワード密度によって規定されるのではなく、エンティティが"Algorithmic Trust"を投影する能力によって規定される。
本報告では,英国ギャンブリング委員会(UKGC)標準などのコンプライアンス信号が,適切に構造化された大言語モデル(LLM)の権威乗算器として機能することを示す。
最近の大規模な実験では、AI検索がブランドが所有するコンテンツに対して、アーンドメディア(第三者、権威のあるソース)に対して体系的で圧倒的な偏見を示しています。
その結果、実践者は、AIが認識した新しい権威の指標を支配するために、自身のコンテンツをマシンスキャナビリティと正当化のために設計する必要がある。
関連論文リスト
- 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) - Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
線形木探索はLarge Language Model (LLM) 研究の基盤となっている。
本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-11T03:29:18Z) - 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) - Beyond Keywords: Driving Generative Search Engine Optimization with Content-Centric Agents [13.791066315896623]
伝統的なランク付けベースの検索からジェネレーティブ検索エンジンへのパラダイムシフトは、従来のSEOメトリクスを時代遅れにした。
本稿では,ジェネレーティブ検索エンジン最適化(GSEO)のための総合的なエンドツーエンドフレームワークを紹介し,この問題に対処する。
論文 参考訳（メタデータ） (2025-09-06T05:46:38Z) - Towards Open-World Retrieval-Augmented Generation on Knowledge Graph: A Multi-Agent Collaboration Framework [21.896955284099334]
大きな言語モデル(LLM)は、言語理解と推論において強力な能力を示している。
Retrieval-Augmented Generation (RAG)は、外部知識ソースを組み込むことによって、この制限に対処する。
AnchorRAGは,オープンワールドRAGのための,事前定義されたアンカーエンティティを持たない新しいマルチエージェント協調フレームワークである。
論文 参考訳（メタデータ） (2025-09-01T08:26:12Z) - Constrained Auto-Regressive Decoding Constrains Generative Retrieval [71.71161220261655]
ジェネレーティブ検索は、従来の検索インデックスデータ構造を1つの大規模ニューラルネットワークに置き換えようとしている。
本稿では,制約とビームサーチという2つの本質的な視点から,制約付き自己回帰生成の固有の制約について検討する。
論文 参考訳（メタデータ） (2025-04-14T06:54:49Z) - Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。
LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
論文 参考訳（メタデータ） (2024-05-12T15:49:38Z) - 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)
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。