論文の概要: Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior
- arxiv url: http://arxiv.org/abs/2603.29979v1
- Date: Tue, 31 Mar 2026 16:41:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:03.867578
- Title: Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior
- Title（参考訳）: 生成エンジン最適化のための構造的特徴工学 -コンテンツ構造が循環挙動をどう形作るか-
- Authors: Junwei Yu, Mufeng Yang, Yepeng Ding, Hiroyuki Sato,
- Abstract要約: 生成エンジン最適化における構造特徴工学の体系的枠組みであるGEO-SFEを提案する。
提案手法は, コンテンツ構造をマクロ構造, メソ構造, マイクロ構造という3つの階層レベルに分解する。
我々は,構造的効率を改善しつつ,意味的整合性を維持するアーキテクチャを考慮した最適化戦略と予測モデルを開発する。
- 参考スコア（独自算出の注目度）: 3.433584969325024
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The proliferation of AI-powered search engines has shifted information discovery from traditional link-based retrieval to direct answer generation with selective source citation, creating new challenges for content visibility. While existing Generative Engine Optimization (GEO) approaches focus primarily on semantic content modification, the role of structural features in influencing citation behavior remains underexplored. In this paper, we propose GEO-SFE, a systematic framework for structural feature engineering in generative engine optimization. Our approach decomposes content structure into three hierarchical levels: macro-structure (document architecture), meso-structure (information chunking), and micro-structure (visual emphasis), and models their impact on citation probability across different generative engine architectures. We develop architecture-aware optimization strategies and predictive models that preserve semantic integrity while improving structural effectiveness. Experimental evaluation across six mainstream generative engines demonstrates consistent improvements in citation rate (17.3 percent) and subjective quality (18.5 percent), validating the effectiveness and generalizability of the proposed framework. This work establishes structural optimization as a foundational component of GEO, providing a data-driven methodology for enhancing content visibility in LLM-powered information ecosystems.
- Abstract（参考訳）: AIによる検索エンジンの普及は、情報発見を従来のリンクベースの検索から、選択されたソースの引用による直接回答生成へとシフトさせ、コンテンツビジュアライゼーションの新たな課題を生み出した。
既存のジェネレーティブエンジン最適化(GEO)アプローチは、主にセマンティックなコンテンツ修正に重点を置いているが、引用動作に影響を与える構造的特徴の役割はまだ解明されていない。
本稿では,生成エンジン最適化における構造的特徴工学の体系的枠組みであるGEO-SFEを提案する。
提案手法は,コンテンツ構造をマクロ構造(文書アーキテクチャ),メソ構造(情報チャンキング),マイクロ構造(視覚強調)の3つの階層レベルに分解し,異なる生成エンジンアーキテクチャにおける引用確率への影響をモデル化する。
我々は,構造的効率を改善しつつ,意味的整合性を維持するアーキテクチャを考慮した最適化戦略と予測モデルを開発する。
6つの主流生成エンジンに対する実験的な評価は、引用率(17.3%)と主観的品質(18.5%)が一貫した改善を示し、提案フレームワークの有効性と一般化性を検証している。
本研究はGEOの基本コンポーネントとして構造最適化を確立し,LCMを利用した情報エコシステムにおけるコンテンツ視認性向上のためのデータ駆動手法を提供する。
関連論文リスト
- SA^2GFM: Enhancing Robust Graph Foundation Models with Structure-Aware Semantic Augmentation [20.028450229306554]
ドメイン適応表現を改善する堅牢なグラフ基礎モデル(GFM)フレームワークであるSA2GFMを提案する。
ノードとグラフの分類において,SA2GFMはランダムノイズに対する有効性とロバスト性において,9つの最先端ベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2025-11-26T08:26:01Z) - Structure-R1: Dynamically Leveraging Structural Knowledge in LLM Reasoning through Reinforcement Learning [29.722512436773638]
本稿では,検索したコンテンツを推論に最適化した構造化表現に変換するフレームワークであるtextscStructure-R1を提案する。
textscStructure-R1は、7Bスケールのバックボーンモデルとの競合性能を一貫して達成していることを示す。
我々の理論的分析は,情報密度と文脈的明瞭度を向上させることによって,構造化表現が推論をいかに促進するかを示す。
論文 参考訳（メタデータ） (2025-10-16T23:19:28Z) - 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) - 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) - Context-Guided Dynamic Retrieval for Improving Generation Quality in RAG Models [2.9687381456164004]
意味理解と知識スケジューリングの効率化を図るための状態認識型動的知識検索機構を提案する。
提案した構造は, GPT-4, GPT-4o, DeepSeek など,様々な大規模モデルで徹底的に評価されている。
このアプローチはまた、意味的あいまいさとマルチドキュメント融合を含むタスクにおいて、強い堅牢性と生成一貫性を示す。
論文 参考訳（メタデータ） (2025-04-28T02:50:45Z) - Structural and Statistical Texture Knowledge Distillation and Learning for Segmentation [70.15341084443236]
セマンティックセグメンテーションと関連する知識蒸留タスクのためのディープネットワークにおける低レベルのテクスチャ情報を再強調する。
セグメンテーションのための構造的・統計的テクスチャ知識蒸留(SSTKD)フレームワークを提案する。
特に、低レベルの特徴を分解するためにContourlet Decomposition Module (CDM)が導入されている。
テクスチャ強度等化モジュール(TIEM)は、統計テクスチャ知識を抽出し、強化するために設計されている。
論文 参考訳（メタデータ） (2025-03-11T04:49:25Z) - Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。
機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。
化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-17T00:35:47Z) - LasUIE: Unifying Information Extraction with Latent Adaptive
Structure-aware Generative Language Model [96.889634747943]
全ての典型的な情報抽出タスク(UIE)を1つの生成言語モデル(GLM)で普遍的にモデル化し、大きな可能性を明らかにした。
UIE のための構文知識のパワーを完全に解放する構造対応 GLM を提案する。
7つのタスクにわたるIEベンチマークが12以上あり、私たちのシステムはベースラインのUIEシステムよりも大幅に改善されていることを示しています。
論文 参考訳（メタデータ） (2023-04-13T04:01:14Z) - Unified Structure Generation for Universal Information Extraction [58.89057387608414]
UIEは、異なるIEタスクを普遍的にモデル化し、ターゲット構造を適応的に生成し、異なる知識ソースから一般的なIE能力を協調的に学習することができる。
実験によると、UIEは4つのIEタスク、13のデータセット、およびすべての教師付き、低リソース、数ショット設定で最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2022-03-23T08:49:29Z)
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。