論文の概要: What Drives AI Citations? Content, Retrieval and Model Knowledge in Generative Engine Optimization (GEO)
- arxiv url: http://arxiv.org/abs/2610.15033v1
- Date: Sat, 10 Oct 2026 16:18:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 02:50:39.292438
- Title: What Drives AI Citations? Content, Retrieval and Model Knowledge in Generative Engine Optimization (GEO)
- Title（参考訳）: AIの動機は何か? 生成エンジン最適化(GEO)におけるコンテンツ、検索、モデル知識
- Abstract要約: 生成検索エンジンは、ユーザーがどのウェブページをソースとみなすかを決定する。
ChatGPT、Gemini、Perplexityなどの生成検索エンジンは、ユーザーがどのWebページをソースとみなすかを決定する。
コントラスト市場における商業的疑問に対する2つの90日間の回答の収集において,どのような形状の引用が生じるかを検討する。
- 参考スコア（独自算出の注目度）: 5.34964763175315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative search engines such as ChatGPT, Gemini and Perplexity now decide which Web pages users see as sources, and a growing industry of generative engine optimization advises publishers on how to earn these citations. We study what shapes citation in two 90-day collections of answers to commercial questions in contrasting markets: 158,099 answers with 468,037 citations. Comparing pages of the same website, content matters in one way: pages whose title and paragraphs match the questions people ask are cited more, whereas FAQ blocks, structured data, summary boxes and page speed appear effective only across websites. Page properties nevertheless explain little of the variation between pages of a website. Replaying the questions through the engines' APIs shows why. Every page ChatGPT cites is one its own search retrieved, and which pages that search retrieves, for sub-queries the model rewrites on every answer and that rarely coincide with Google's or Bing's results, explains far more of the variation than page properties (32% against 2.8%). Content acts mainly through this step, by matching the engine's queries in meaning. The model's own knowledge shapes it too: ChatGPT writes brands it knows into its searches, prefers websites it knows, and names brands without any supporting page, and controlled experiments show that brand names reorder its rankings of products with identical facts. Pages are thus cited when searched; brands are also named when remembered. The findings replicate in a market of small B2B vendors. We release data and code.
- Abstract（参考訳）: ChatGPT、Gemini、Perplexityなどの生成検索エンジンは、ユーザーがどのウェブページをソースとみなすかを判断し、生成エンジンの最適化産業が成長し、パブリッシャーにこれらの引用の獲得方法をアドバイスしている。
コントラスト市場における商業的疑問に対する2つの90日間の回答の集合において、どのような形が引用されるかについて検討する。
一方、FAQブロック、構造化データ、要約ボックス、ページスピードはウェブサイト全体でのみ有効である。
それでもページプロパティは、Webサイトのページ間のバリエーションをほとんど説明しません。
エンジンのAPIを通じて質問をリプレイすることはなぜかを示しています。
ChatGPTが引用するすべてのページは、独自の検索で検索したページであり、検索したページは、すべての回答にサブクエリーを書き込み、GoogleやBingの結果とほとんど一致しないが、ページプロパティよりもはるかに多くのバリエーションを説明する(32%対2.8%)。
コンテンツは、主にこのステップを通じて、エンジンのクエリを意味的にマッチングすることで機能する。
ChatGPTは、知っているブランドを検索に書き、Webサイトを好み、サポートページなしでブランドを命名する。
そのため、検索時にページが引用される。
この結果は小さなB2Bベンダーの市場で再現された。
データとコードをリリースします。
関連論文リスト
- Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines [10.84927926654762]
我々は、Ranqoで追跡された100以上のブランドで100K以上のプロンプト応答を分析した。
最初の可視性は、透明な3層ブランドのはしごを形成する。
最上位ページは「ベスト・オブ・リスト」ランキングである。
論文 参考訳（メタデータ） (2026-06-18T10:36:13Z) - From Citation Selection to Citation Absorption: A Measurement Framework for Generative Engine Optimization Across AI Search Platforms [0.1223474232275842]
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。
論文 参考訳（メタデータ） (2026-04-28T14:34:20Z) - Characterizing Web Search in The Age of Generative AI [7.059953211629231]
従来のウェブ検索エンジンであるGoogleと、2つのプロバイダ(GoogleとOpenAI)の4つの生成検索エンジンを比較した。
生成検索エンジンは、モデルパラメータに含まれる内部知識に依存する程度によって異なる。
本稿では,ジェネレーティブAI時代におけるWeb検索の評価基準の再検討の必要性を強調した。
論文 参考訳（メタデータ） (2025-10-13T16:04:03Z) - Generative Retrieval for Book search [106.67655212825025]
書籍検索のための効率的な生成検索フレームワークを提案する。
データ拡張とアウトライン指向の書籍エンコーディングの2つの主要コンポーネントがある。
プロプライエタリなBaiduデータセットの実験では、GBSが強力なベースラインを上回ることが示されている。
論文 参考訳（メタデータ） (2025-01-19T12:57:13Z) - 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) - Search-Engine-augmented Dialogue Response Generation with Cheaply
Supervised Query Production [98.98161995555485]
応答生成のために,任意の検索エンジンから膨大な動的情報にアクセス可能な対話モデルを提案する。
コアモジュールとして、クエリプロデューサを使用して、対話コンテキストからクエリを生成して、検索エンジンと対話する。
R@1とR@5のレートを62.4%と74.8%で達成できることを示す実験を行った。
論文 参考訳（メタデータ） (2023-02-16T01:58:10Z) - Online Learning of Optimally Diverse Rankings [63.62764375279861]
ユーザのフィードバックのみに基づいて最適なリストを効率よく学習するアルゴリズムを提案する。
我々は、$T$クエリの後に、LDRの後悔は$O((N-L)log(T))$としてスケールする。
論文 参考訳（メタデータ） (2021-09-13T12:13:20Z) - Search Engine Similarity Analysis: A Combined Content and Rankings
Approach [6.69087470775851]
我々は、DuckDuckGoとともに、GoogleとBingという2つの主要な検索エンジンの親和性について分析する。
我々は、検索応答のコンテンツとランキングの両方を活用する新しい類似度指標を開発した。
しかしBingとDuckDuckGoは相違点が多い。
論文 参考訳（メタデータ） (2020-11-01T23:57:24Z)
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。