論文の概要: From Citation Selection to Citation Absorption: A Measurement Framework for Generative Engine Optimization Across AI Search Platforms
- arxiv url: http://arxiv.org/abs/2604.25707v2
- Date: Wed, 29 Apr 2026 13:25:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-30 13:51:54.157983
- Title: From Citation Selection to Citation Absorption: A Measurement Framework for Generative Engine Optimization Across AI Search Platforms
- Title（参考訳）: 引用選択から引用吸収へ:AI検索プラットフォーム全体にわたる生成エンジン最適化のための測定フレームワーク
- Abstract要約: 本稿では,ジェネレーティブエンジン最適化(GEO)のための2段階計測フレームワークを提案する。
我々は、ChatGPT、Google AI Overview/Gemini、Perplexityにまたがる602のプロンプトをカバーする公開ジオ引用-ラブデータセットを分析した。
PerplexityとGoogleは平均的なソースを引用するが、ChatGPTは少ないソースを引用する。
- 参考スコア（独自算出の注目度）: 0.1223474232275842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative search engines increasingly determine whether online information is merely discoverable, cited as a source, or actually absorbed into generated answers. This paper proposes a two-stage measurement framework for Generative Engine Optimization (GEO): citation selection, where a platform triggers search and chooses sources, and citation absorption, where a cited page contributes language, evidence, structure, or factual support to the final answer. We analyze the public geo-citation-lab dataset covering 602 controlled prompts across ChatGPT, Google AI Overview/Gemini, and Perplexity; 21,143 valid search-layer citations; 23,745 citation-level feature records; 18,151 successfully fetched pages; and 72 extracted features. The central descriptive finding is that citation breadth and citation depth diverge. Perplexity and Google cite more sources on average, while ChatGPT cites fewer sources but shows substantially higher average citation influence among fetched pages. High-influence pages tend to be longer, more structured, semantically aligned, and richer in extractable evidence such as definitions, numerical facts, comparisons, and procedural steps. The results suggest that GEO should be measured beyond citation counts, with answer-level absorption treated as a separate outcome.
- Abstract（参考訳）: 生成検索エンジンは、オンライン情報が単に発見可能であるか、ソースとして引用されているか、あるいは実際に生成された回答に吸収されているかを、ますます決定する。
本稿では,生成エンジン最適化(GEO:Generative Engine Optimization)のための2段階計測フレームワークを提案する。
我々は、ChatGPT、Google AI Overview/Gemini、Perplexityを含む602の制御プロンプトをカバーする公開ジオ引用-ラブデータセットを分析し、21,143の有効な検索層引用、23,745の引用レベル特徴記録、18,151のページの取得に成功し、72の抽出された特徴を分析した。
中心的な記述的発見は、引用幅と引用深度が分岐することである。
PerplexityとGoogleは平均的なソースを引用するが、ChatGPTは少ないソースを引用する。
高影響ページは、より長く、より構造化され、意味的に整合し、定義、数値的な事実、比較、手続き的なステップなどの抽出可能な証拠に富む傾向にある。
その結果,GEOは引用数を超えて測定すべきであり,解答レベルの吸収は別個の結果として扱われることが示唆された。
関連論文リスト
- Explicit Evidence Grounding via Structured Inline Citation Generation [22.27784103991804]
FullCiteは、各クレームをソースドキュメントとリンクし、エビデンスをサポートする構造化インライン引用を生成するフレームワークである。
文献レベルの正しさ,証拠の特定範囲,クレームレベルの忠実さの3つの側面に沿って,引用品質と忠実度を評価する。
論文 参考訳（メタデータ） (2026-06-05T10:42:10Z) - What Gets Cited: Competitive GEO in AI Answer Engines [0.866627581195388]
検索された2人の候補者が競うと、最初に引用される可能性が高くなるのはなぜか。
モデルコンテキストに正確に2つの候補ソースを注入する2文書検索拡張生成テストベッドを構築した。
各試験において、2つの情報源は、正確に1つの要因で異なる。我々は、位置バイアスからコンテンツ効果を分離するためにブランド匿名化と逆平衡ソースオーダーを使用する。
論文 参考訳（メタデータ） (2026-05-25T07:20:08Z) - CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
大規模言語モデル (LLM) は新たなリスクを導入している。
本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。
我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-02-26T19:17:39Z) - AI Answer Engine Citation Behavior An Empirical Analysis of the GEO16 Framework [0.0]
GEO-16はページ品質の信号をバンド化されたピラースコアに変換するフレームワークであり、正規化されたGEOスコアGは0から1の範囲である。
3つのエンジンで1,702の引用を収集し、1,100のURLを監査しました。
我々のコーパスでは、エンジンは、それらが引用したページのGEO品質に違いがあり、MetadataとFreshness、Semantic HTML、Structured Dataに関連する柱は、引用と最も強い関連性を示した。
論文 参考訳（メタデータ） (2025-09-13T00:29:32Z) - SCIRGC: Multi-Granularity Citation Recommendation and Citation Sentence Preference Alignment [2.0383262889621867]
本稿では,引用記事を自動的に推薦し,引用箇所の引用文を生成するSciRGCフレームワークを提案する。
この枠組みは,(1)著者の引用意図を正確に識別し,関連する引用論文を見つける方法,(2)人間の嗜好に沿った高品質な引用文を生成する方法の2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2025-05-26T15:09:10Z) - ALiiCE: Evaluating Positional Fine-grained Citation Generation [54.19617927314975]
本稿では,微細な引用生成のための最初の自動評価フレームワークであるALiiCEを提案する。
我々のフレームワークはまず、文のクレームを依存性分析によって原子クレームに解析し、次に原子クレームレベルでの引用品質を計算する。
複数大言語モデルの2つの長文QAデータセット上での位置的きめ細かな引用生成性能を評価する。
論文 参考訳（メタデータ） (2024-06-19T09:16:14Z) - Evaluating Verifiability in Generative Search Engines [70.59477647085387]
生成検索エンジンは、インラインの引用とともに、ユーザークエリへの応答を直接生成する。
我々は,一般的な4つの生成検索エンジンの評価を行う。
既存の生成検索エンジンからの応答は流動的であり、情報的に見えるが、しばしばサポートされていない文や不正確な引用を含んでいる。
論文 参考訳（メタデータ） (2023-04-19T17:56:12Z) - CiteBench: A benchmark for Scientific Citation Text Generation [69.37571393032026]
CiteBenchは引用テキスト生成のベンチマークである。
CiteBenchのコードはhttps://github.com/UKPLab/citebench.comで公開しています。
論文 参考訳（メタデータ） (2022-12-19T16:10:56Z) - Controllable Citation Sentence Generation with Language Models [11.186252009101077]
本稿では,テキストのコンテキスト,参照された論文のコンテキスト,および所望の制御属性を構造化テンプレートに統合し,次世代の予測を通じて言語モデル(LM)を微調整する手法を提案する。
提案したワークフローは、引用属性の提案と条件付き引用生成を1つのLMに調和して組み合わせ、より良いユーザ制御を実現する。
論文 参考訳（メタデータ） (2022-11-14T01:54:08Z) - Deep Graph Learning for Anomalous Citation Detection [55.81334139806342]
本稿では,新たな深層グラフ学習モデルであるGLAD(Graph Learning for Anomaly Detection)を提案する。
GLADフレームワーク内ではCPU(Citation PUrpose)と呼ばれるアルゴリズムが提案され,引用テキストに基づく引用の目的が明らかになった。
論文 参考訳（メタデータ） (2022-02-23T09:05:28Z) - Towards generating citation sentences for multiple references with
intent control [86.53829532976303]
We build a novel generation model with the Fusion-in-Decoder approach to handlee with multiple long inputs。
実験により,提案手法は引用文を生成するためのより包括的な特徴を提供することが示された。
論文 参考訳（メタデータ） (2021-12-02T15:32:24Z) - Virtual Proximity Citation (VCP): A Supervised Deep Learning Method to
Relate Uncited Papers On Grounds of Citation Proximity [0.0]
本稿では,仮想Citation Proximity (VCP) のアプローチについて議論する。
文書中の2つの引用の間の実際の距離は、基礎的な真実として使用される。
これは、2つの文書間の関連性を計算するために、たとえ文書が暗唱されていなくても、近接して引用されたであろう方法で計算することができる。
論文 参考訳（メタデータ） (2020-09-25T12:24:00Z)
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。