論文の概要: Query Implied Generative Engine Optimization

• arxiv url: http://arxiv.org/abs/2609.27845v1
• Date: Wed, 19 Aug 2026 21:33:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.991767
• Title: Query Implied Generative Engine Optimization
• Title（参考訳）: Query Implied Generative Engine Optimization
• Abstract要約: 生成検索エンジン(GSE)は、ユーザクエリに対する自然言語応答を生成する。 コンテンツクリエーターにとって、可視性は検索結果のランク付けによってのみ決定されるのではなく、生成されたレスポンスの中で引用される。 文書から直接ユーザ意図を推測するためのクエリインプリンド生成エンジン最適化(QI-GEO)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The landscape of search has changed drastically with how people look for information online. Traditional search engines are being replaced by Generative Search Engines (GSEs), which use Large Language Models (LLMs) to generate natural language responses to user queries. For content creators, visibility is no longer solely determined by ranking in search results but by being cited within generated responses. But Generative Search Engines are black-boxes, leading to the emergence of Generative Engine Optimization (GEO), a set of techniques aimed at improving content visibility in generative search settings. Most existing approaches rely on the explicit queries or query derived signals to align content to better suit user needs. We propose Query Implied Generative Engine Optimization (QI-GEO) to infers user intent directly from the document. Our approach approximates document's intent space and identifies content that may be missing yet relevant to answer potential user queries. Evaluation on GEO-Bench and Extended GEO-Bench demonstrated improvements across objective and subjective metrics. QI-GEO improved objective scores by up to 15.9% and subjective scores by up to 17.6%, while yielding nearly twice as many citation gains as citation losses. These results suggest that document-derived approximations of user intents can improve visibility without relying on explicit query inputs.
• Abstract（参考訳）: 検索の状況は、人々がオンラインで情報を探す方法に大きく変化した。 従来の検索エンジンはジェネレーティブ検索エンジン (GSE) に置き換えられており、Large Language Models (LLM) を使用してユーザクエリに対する自然言語応答を生成する。 コンテンツクリエーターにとって、可視性は検索結果のランク付けによってのみ決定されるのではなく、生成されたレスポンスの中で引用される。 しかし、生成検索エンジンはブラックボックスであり、生成検索エンジン最適化(GEO)の出現につながっている。 既存のアプローチのほとんどは、ユーザの要求に合うようにコンテンツを調整するために、明示的なクエリやクエリ派生シグナルに依存しています。 本稿では,文書から直接ユーザ意図を推測するクエリインプリンド生成エンジン最適化(QI-GEO)を提案する。 我々のアプローチはドキュメントの意図空間を近似し、潜在的なユーザクエリーに答えるには、まだ欠落しているかもしれないコンテンツを特定する。 GEO-BenchおよびExtended GEO-Benchの評価は、客観的および主観的指標間で改善を示した。 QI-GEOは客観的スコアを最大15.9%改善し、主観的スコアを最大17.6%改善した。 これらの結果から,明示的なクエリ入力に頼ることなく,文書によるユーザ意図の近似が可視性を向上させることが示唆された。

関連論文リスト

• GEM: A Generative Embedding Model Bridging Reasoning and Retrieval [15.116615102031771]
  本稿では,ジェネレーティブな埋め込みモデルであるGEMについて述べる。 推論集約型および命令追従型検索タスクの評価 GEMの生成特性は、検索性能をさらに向上させるプロンプトによるテスト時間計算のスケーリングを可能にする。
  論文  参考訳（メタデータ） (2026-08-13T13:03:49Z)
• OneFeed: A Unified Generative Framework for Feed Content Enhancement and Query Generation [0.0]
  OneFeedはフィードコンテンツ拡張とクエリ生成をモデリングするための統合生成フレームワークである。 OneFeedは異種ユーザ行動シーケンスを共有振る舞いエンコーダでエンコードする。 OneFeedはコンテンツセマンティックIDとクエリ表現のための共有セマンティックスペースを学習する。
  論文  参考訳（メタデータ） (2026-06-06T04:17:09Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• 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)
• 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)
• Exposing Query Identification for Search Transparency [69.06545074617685]
  本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。 本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
  論文  参考訳（メタデータ） (2021-10-14T20:19:27Z)
• Query Intent Detection from the SEO Perspective [0.34376560669160383]
  ユーザクエリの意図を,Googleの結果と機械学習の手法を利用して識別することを目的としている。 クラスタ化されたクエリから抽出されたキーワードのリストは、与えられた新しいクエリの意図を特定するために使用される。
  論文  参考訳（メタデータ） (2020-06-16T13:08:29Z)

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。