論文の概要: Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026)
- arxiv url: http://arxiv.org/abs/2607.14035v1
- Date: Wed, 15 Jul 2026 17:03:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.837262
- Title: Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026)
- Title（参考訳）: 生成エンジンの可視性最適化:生成エンジン最適化の批判的調査(2023-2026)
- Authors: Olivier Martinez,
- Abstract要約: 生成エンジン最適化は、コンテンツの存在、引用の可能性、生成エンジンが生成する回答への影響を高めることを目指している。
この批判的な調査は、2023年11月から2026年7月までに選択された45の研究をレビューする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Generative Engine Optimization (GEO) seeks to increase content's presence, likelihood of citation, or influence in answers produced by generative engines. Since the foundational GEO paper, the field has expanded rapidly, but terminology, metrics, and evidence standards remain heterogeneous. This critical survey reviews 45 studies selected under a November 2023-July 2026 publication window, including one earlier preprint published at EMNLP after the window opened, plus relevant RAG and evaluation work. We argue that GEO is not a single ranking task but a stochastic, partially observable pipeline spanning search activation, crawling and indexing, retrieval, reranking and context allocation, citation, prominence, factual absorption, fidelity, and user behavior. The foundational paper's widely cited gains are valid within its experimental setting but conditional on a source already being present in a fixed context; they establish neither organic discoverability nor durable traffic effects. Reviewed work indicates that topical relevance and context position are the most reproducible levers, generic heuristics transfer poorly, competition can erode individual gains, and citation-oriented rewrites can impair retrieval. Commercial audits further reveal low source overlap, substantial run-to-run variability, and persistent fidelity gaps. We contribute a multistage formal model, a visibility vector separating discoverability, citation, absorption, and economic outcomes, an evidence hierarchy, and a reproducible protocol based on repeated measurements, paraphrases, controls, human validation, and multi-actor interference. Within this corpus, the evidence is narrow: already-retrieved content can causally alter its citation or use, but no reviewed technique shows a stable, longitudinal, cross-platform causal effect on organic discoverability or downstream behavior.
- Abstract（参考訳）: ジェネレーティブエンジン最適化(GEO)は、生成エンジンが生成する回答におけるコンテンツの存在、引用の可能性、影響を高めることを目指している。
基礎的なGEO論文以来、この分野は急速に拡大してきたが、用語、メトリクス、エビデンス標準は相変わらず不均一である。
この批判的な調査は、2023年11月から2026年7月までの公開窓の下で選択された45の研究をレビューする。
我々は、GEOは単一のランキングタスクではなく、検索アクティベーション、クローリングとインデックス付け、検索、再ランク付けとコンテキストアロケーション、引用、プロミネンス、事実吸収、忠実さ、ユーザ行動にまたがる確率的、部分的に観測可能なパイプラインであると主張している。
基礎論文の広く引用されている利得は、実験条件の範囲内で有効であるが、固定された状況下で既に存在するソースに対する条件付きであり、有機的な発見可能性や耐久性のある交通効果は確立していない。
レビューされた研究は、トピックの関連性とコンテキストの位置が最も再現可能なレバーであり、一般的なヒューリスティックス転送が貧弱であり、競争は個々の利得を損なう可能性があり、引用指向の書き換えは検索を損なうことを示唆している。
商業的な監査により、ソースの重複が低く、実行時から実行時までのばらつきがあり、永続的なフィデリティギャップが明らかになる。
我々は,多段階の形式モデル,発見可能性,引用性,吸収性,経済的成果を区別する可視性ベクトル,エビデンス階層,再現可能なプロトコルを,繰り返し測定,パラフレーズ,制御,人間による検証,多要素干渉に基づいて提案する。
既に回収されたコンテンツは、引用や使用を因果的に変更することができるが、レビューされた技術は、有機発見性や下流の行動に安定した、縦断的な、クロスプラットフォームな因果効果を示すものではない。
関連論文リスト
- FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。
レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。
我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
論文 参考訳（メタデータ） (2026-04-14T17:04:25Z) - Diagnosing and Repairing Citation Failures in Generative Engine Optimization [21.43145230591834]
本稿では,文書の引用に失敗した理由を問う診断手法をGEOに導入する。
我々は,(1)引用パイプラインの異なる段階にまたがる引用障害モードの最初の分類法,(2)エージェントGEO,(2)この分類法を用いて障害を診断するエージェントシステム,(3)文書中心のベンチマークにより,最適化が保留クエリ間で一般化するかどうかを評価する。
論文 参考訳（メタデータ） (2026-03-10T07:25:34Z) - 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) - From Fluent to Verifiable: Claim-Level Auditability for Deep Research Agents [8.49451413641847]
研究生成が安価になるにつれて、監査可能性がボトルネックになる、と我々は主張する。
この観点からは,ディープリサーチエージェントの第一級設計および評価対象として,クレームレベルの監査性を提案する。
論文 参考訳（メタデータ） (2026-02-14T19:39:15Z) - Think Locally, Explain Globally: Graph-Guided LLM Investigations via Local Reasoning and Belief Propagation [5.191980417814362]
LLMエージェントは、ほとんどの環境が静的で、必要な情報がモデルのコンテキストウインドウに適合する場合、排他的になる。
直腸型薬剤は、この体制では特に脆い。
本稿では,LLMが限定的な局所的エビデンスマイニングとラベリングを行うためのフレームワークであるEoGを提案する。
論文 参考訳（メタデータ） (2026-01-25T17:27:19Z) - Grounding Long-Context Reasoning with Contextual Normalization for Retrieval-Augmented Generation [57.97548022208733]
キー値抽出における表面的選択が精度と安定性のシフトを引き起こすことを示す。
生成前の文脈表現を適応的に標準化する戦略であるコンテキスト正規化を導入する。
論文 参考訳（メタデータ） (2025-10-15T06:28:25Z) - VeriCite: Towards Reliable Citations in Retrieval-Augmented Generation via Rigorous Verification [107.75781898355562]
証拠を厳格に検証し,回答の帰属性を高めるために設計された,VeriCiteと呼ばれる新しいフレームワークを紹介する。
我々は,5つのオープンソースLCMと4つのデータセットを対象とした実験を行い,VeriCiteが回答の正しさを維持しつつ,引用品質を大幅に向上できることを実証した。
論文 参考訳（メタデータ） (2025-10-13T13:38:54Z) - Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents [64.43980129731587]
因果診断・矯正法(CDC)という因果推論時間脱バイアス法を提案する。
CDCはまず、パープレキシティのバイアス効果を診断し、その後、全体の関連スコアからバイアス効果を分離する。
3つの領域にまたがる実験結果から, より優れた脱バイアス効果が示された。
論文 参考訳（メタデータ） (2025-03-11T17:59:00Z) - Exploiting Positional Bias for Query-Agnostic Generative Content in Search [24.600506147325717]
検索結果における非関連テキストの位置に悪影響を及ぼすことなく、文書に非関連テキストを注入できることを示す。
非関連テキストの文脈化は、既存のコンテンツフィルタリング機構を回避しつつ、ネガティブな効果をさらに減少させる。
論文 参考訳（メタデータ） (2024-05-01T12:12:59Z) - GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。
FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
論文 参考訳（メタデータ） (2022-04-12T03:49:35Z)
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。