論文の概要: Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility
- arxiv url: http://arxiv.org/abs/2604.19113v1
- Date: Tue, 21 Apr 2026 05:47:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.640876
- Title: Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility
- Title（参考訳）: 記事を書く前に考える:ジェネレーティブ・サイテーション・ビジュアライゼーションのための特徴レベル多目的最適化
- Authors: Zikang Liu, Peilan Xu,
- Abstract要約: 生成的応答エンジンは、ランク付けされた検索よりも選択的な引用を通じてコンテンツを公開する。
本稿では,FeatGEOを提案する。FeatGEOは,Webページを解釈可能な構造,内容,言語特性に抽象化する機能レベルの多目的最適化フレームワークである。
- 参考スコア（独自算出の注目度）: 3.3283145453561835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative answer engines expose content through selective citation rather than ranked retrieval, fundamentally altering how visibility is determined. This shift calls for new optimization methods beyond traditional search engine optimization. Existing generative engine optimization (GEO) approaches primarily rely on token-level text rewriting, offering limited interpretability and weak control over the trade-off between citation visibility and content quality. We propose FeatGEO, a feature-level, multi-objective optimization framework that abstracts webpages into interpretable structural, content, and linguistic properties. Instead of directly editing text, FeatGEO optimizes over this feature space and uses a language model to realize feature configurations into natural language, decoupling high-level optimization from surface-level generation. Experiments on GEO-Bench across three generative engines demonstrate that FeatGEO consistently improves citation visibility while maintaining or improving content quality, substantially outperforming token-level baselines. Further analyses show that citation behavior is more strongly influenced by document-level content properties than by isolated lexical edits, and that the learned feature configurations generalize across language models of different scales.
- Abstract（参考訳）: 生成的応答エンジンは、ランク付けされた検索よりも選択的な引用を通じてコンテンツを公開し、視認性をどのように決定するかを根本的に変える。
このシフトは、従来の検索エンジンの最適化以上の新しい最適化方法を要求する。
既存の生成エンジン最適化(GEO)アプローチは、主にトークンレベルのテキスト書き換えに依存しており、参照可視性とコンテンツ品質のトレードオフに対する限定的な解釈可能性と弱い制御を提供する。
本稿では,FeatGEOを提案する。FeatGEOは,Webページを解釈可能な構造,内容,言語特性に抽象化する機能レベルの多目的最適化フレームワークである。
FeatGEOはテキストを直接編集する代わりに、この機能空間を最適化し、言語モデルを使用して自然言語への特徴設定を実現し、表面レベルの生成から高レベルな最適化を分離する。
GEO-Benchを3つの生成エンジンで実験した結果、FeatGEOはコンテンツ品質を維持したり改善したりしながら、常に引用の可視性を向上し、トークンレベルのベースラインを大幅に上回った。
さらに分析したところ、引用行動は、孤立した語彙編集よりも文書レベルのコンテンツ特性に強く影響され、学習された特徴構成が異なるスケールの言語モデルにまたがって一般化されることが示されている。
関連論文リスト
- From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning [18.351281487408176]
生成エンジン(GE)は、ランク付けされたリンクを引用グラウンドの回答に置き換えることで、情報アクセスを再構築している。
本稿では,マルチエージェントフレームワークであるMAGEOを提案する。
3つのメインストリームエンジンの実験では、MAGEOは可視性と励振の両面においてベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-04-21T14:39:24Z) - Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior [3.433584969325024]
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。
論文 参考訳（メタデータ） (2026-03-31T16:41:43Z) - AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization [32.13915434333156]
AgenticGEOは、コンテンツ条件制御問題として最適化を定式化した自己進化型エージェントフレームワークである。
AgenticGEOは最先端のパフォーマンスを実現し、堅牢な転送可能性を示し、3つのデータセットで14のベースラインを上回ります。
論文 参考訳（メタデータ） (2026-03-02T16:13:13Z) - Flow of Spans: Generalizing Language Models to Dynamic Span-Vocabulary via GFlowNets [54.06320619464273]
Flow of SpanS (FOSS)は、スパンジェネレーションのための原則化されたGFlowNetsフレームワークである。
FOSSは、取得したテキストを柔軟にセグメント化することで動的スパン語彙を構築する。
特殊な報酬モデルにより、FoSSは多種多様な高品質のテキストを生成する。
論文 参考訳（メタデータ） (2026-02-11T07:17:41Z) - Caption Injection for Optimization in Generative Search Engine [15.472540238931202]
ジェネレーティブ検索エンジン(GSE)は検索拡張生成(RAG)技術とLarge Language Models(LLM)を活用する
本稿では,画像からキャプションを抽出し,テキストコンテンツに注入する,最初のマルチモーダルG-SEO手法であるCaption Injectionを提案する。
実験結果から, キャプションインジェクションはテキストのみのG-SEOベースラインをG-Evalで有意に上回ることがわかった。
論文 参考訳（メタデータ） (2025-11-06T05:37:27Z) - Reflection-Enhanced Meta-Optimization Integrating TextGrad-style Prompt Optimization with Memory-Driven Self-Evolution [0.0]
本稿では,メモリ拡張リフレクションRetrievalRAGモジュールと自己適応型メタコントローラを統合するフレームワークを提案する。
REMOは、計算オーバーヘッドの増加にもかかわらず、より安定で堅牢なチューニングを実現する。
論文 参考訳（メタデータ） (2025-08-26T07:25:45Z) - Discourse Features Enhance Detection of Document-Level Machine-Generated Content [53.41994768824785]
機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。
既存のMGC検出器は、しばしば表面レベルの情報のみに焦点を当て、暗黙的かつ構造的な特徴を見渡す。
これらの課題を克服するために、新しい方法論とデータセットを導入します。
論文 参考訳（メタデータ） (2024-12-17T08:47:41Z) - Enhancing Visual-Language Modality Alignment in Large Vision Language Models via Self-Improvement [102.22911097049953]
大規模視覚言語モデル(LVLM)は、視覚的質問応答および推論タスクにおいて印象的な結果を得た。
既存の手法は、しばしば外部モデルやデータに依存し、制御不能で不安定なアライメント結果をもたらす。
本稿では,外部依存を伴わない視覚的・言語的モダリティアライメントを向上させる自己改善フレームワークSIMAを提案する。
論文 参考訳（メタデータ） (2024-05-24T23:09:27Z) - 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。