論文の概要: Understanding ChatGPT Citations: Evidence from Production Web Search Across Model Generations

• arxiv url: http://arxiv.org/abs/2610.15382v1
• Date: Sun, 11 Oct 2026 06:20:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 01:23:28.044752
• Title: Understanding ChatGPT Citations: Evidence from Production Web Search Across Model Generations
• Title（参考訳）: ChatGPT Citationsを理解する: モデル生成全体にわたる生産Web検索からの証拠
• Abstract要約: ChatGPT Webのような生成エンジンは、ユーザクエリに応答するWebページを検索するが、サブセットのみが引用として表示される。 本稿では,ChatGPTがクエリをリライトし,候補Webページを検索し,参照を選択する方法について検討する。 Google SearchとOpenAI Responses APIを外部プロキシとして評価する。
• 参考スコア（独自算出の注目度）: 25.108318016881302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative engines such as ChatGPT Web retrieve webpages to answer user queries, but only a subset are shown as citations. Understanding this retrieval-to-citation process is important for generative engine optimization (GEO), which aims to improve content visibility in generative-engine responses. However, prior studies mainly analyze final responses, leaving the internal execution process and its variation across model settings less understood. To this end, we conduct an observational study of four ChatGPT Web settings from ChatGPT 5.2 to 5.5, covering Instant and Thinking modes at the URL, hostname, and entity levels. We examine how ChatGPT rewrites queries, retrieves candidate webpages, and selects references. The Instant settings remain mostly single-round, while GPT-5.4 Thinking frequently performs multiple retrieval rounds. Across repeated runs, candidates retrieved more often are also more likely to be cited. We then evaluate Google Search and the OpenAI Responses API as external proxies. Responses API candidates provide broader coverage, while its citations more closely match sources cited by ChatGPT Web. Both proxies match ChatGPT Web better at the hostname and entity levels than at the exact-URL level. Even when combined, they recover only about one quarter of cited URLs. We further test whether these external signals remain predictive when combined. Within the external candidate set, a supervised model combining them reaches AUCs above 0.74 for GPT-5.3 and GPT-5.5 at all three levels. These findings suggest that GEO should distinguish retrieval visibility from citation visibility, account for rewritten queries and run-to-run variation, and consider hostname- and entity-level presence in addition to exact URLs. Differences across settings also suggest that GEO strategies should be re-evaluated when the deployed setting or serving environment changes.
• Abstract（参考訳）: ChatGPT Webのような生成エンジンは、ユーザクエリに応答するWebページを検索するが、サブセットのみが引用として表示される。 この検索・引用プロセスを理解することは,生成エンジン応答におけるコンテンツの可視性向上を目的とした生成エンジン最適化(GEO)において重要である。 しかし、先行研究は主に最終応答を解析し、内部実行プロセスとそのモデル設定間の変動をあまり理解しないままにしている。 この目的のために、ChatGPT 5.2から5.5までの4つのChatGPT Web設定の観察的研究を行い、URL、ホスト名、エンティティレベルにおけるインスタントモードとシンキングモードをカバーする。 本稿では,ChatGPTがクエリをリライトし,候補Webページを検索し,参照を選択する方法について検討する。 Instantの設定はほとんどシングルラウンドのままであり、GPT-5.4 Thinking は複数の検索ラウンドを頻繁に実行する。 繰り返し実行される間、より頻繁に検索される候補者も引用される傾向にある。 次に、Google SearchとOpenAI Responses APIを外部プロキシとして評価します。 レスポンスAPI候補は、より広範なカバレッジを提供するが、その引用は、ChatGPT Webが引用したソースとより密に一致している。 どちらのプロキシも、正確なURLレベルよりもホスト名とエンティティレベルでChatGPT Webとよく一致します。 組み合わせても、引用されたURLの4分の1しかリカバリできない。 これらの外部信号が組み合わさって予測可能かどうかをさらに検証する。 外部候補セット内において、それらを組み合わせた教師付きモデルは、すべての3つのレベルにおいて、GPT-5.3とGPT-5.5の0.74以上のAUCに達する。 これらの結果は,GEOが参照可視性と引用可視性とを区別し,クエリの書き直しと実行間変動を考慮し,正確なURLに加えてホスト名とエンティティレベルの存在を考慮すべきであることを示唆している。 設定の違いは、GEO戦略がデプロイされた設定やサービス環境の変更時に再評価されるべきであることを示唆している。

関連論文リスト

• PAGE-RAG: Provenance-Aware Graph Evidence Promotion for Fixed-Budget Multi-hop Retrieval-Augmented Generation [13.8041276969708]
  検索増強ジェネレーション(RAG)におけるマルチホップ質問応答は、最終的に読まれる数少ない候補以上の検索の恩恵を受けることが多い。 本稿では,PAGE-RAG(Provenance-Aware Graph Evidence promoted method)を提案する。 PAGE-RAGはプラグインとして、推論指向、圧縮ベース、グラフベース、ドキュメント/チャンクレベルのシステムを含む、報告されたすべてのRAGバックエンドを改善している。
  論文  参考訳（メタデータ） (2026-08-30T12:33:58Z)
• PolyUQuest: Verifiable Structure-Aware Web RAG over Heterogeneous Graphs [16.19057762560854]
  PolyUQuestは、ヘテロジニアスグラフ上に構築された構造化対応のWeb RAGフレームワークである。 2層ルータは、各クエリを3つの検索モードのいずれかにディスパッチする。 引用されたブロックには、ソースページ、方向パス、エンティティリンクが格納されている。
  論文  参考訳（メタデータ） (2026-07-09T09:10:52Z)
• GrepSeek: Training Search Agents for Direct Corpus Interaction [66.69568141699311]
  GrepSeekは、コンパクトな検索エージェントを訓練し、大きなテキストコーパスから証拠を見つけ、フィルタリングし、構成する、最適化された直接コーパスインタラクション(DCI)検索エージェントである。 DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6タイムで高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
  論文  参考訳（メタデータ） (2026-05-28T03:37:33Z)
• IndexRAG: Bridging Facts for Cross-Document Reasoning at Index Time [3.674756352891229]
  IndexRAGは、オンライン推論からオフラインインデックスへ、クロスドキュメント推論をシフトする新しいアプローチである。 IndexRAGはドキュメント間で共有されるブリッジエンティティを特定し、独立した検索可能なユニットとしてブリッジング事実を生成する。
  論文  参考訳（メタデータ） (2026-03-17T11:51:31Z)
• Towards Realistic Evaluation of Commit Message Generation by Matching Online and Offline Settings [77.20838441870151]
  オンラインメトリック - VCSに生成されたメッセージをコミットする前にユーザが導入する編集回数 - を使用して、オフライン実験用のメトリクスを選択します。 我々は,GPT-4が生成したコミットメッセージと,人間の専門家が編集したコミットメッセージからなる57対のデータセットを収集した。 以上の結果から,編集距離が最も高い相関性を示すのに対し,BLEUやMETEORなどの類似度は低い相関性を示すことがわかった。
  論文  参考訳（メタデータ） (2024-10-15T20:32:07Z)
• Generative Pre-trained Ranking Model with Over-parameterization at Web-Scale (Extended Abstract) [73.57710917145212]
  ランク付け学習は、入力クエリに基づいて関連するWebページを優先順位付けするために、Web検索で広く使われている。 本稿では,これらの課題に対処するために,経験的 UlineSemi-uline Supervised ulinePre-trained (GS2P) モデルを提案する。 我々は,公開データセットと大規模検索エンジンから収集した実世界のデータセットの両方に対して,大規模なオフライン実験を行う。
  論文  参考訳（メタデータ） (2024-09-25T03:39:14Z)
• Improving Retrieval in Sponsored Search by Leveraging Query Context Signals [6.152499434499752]
  本稿では,クエリをリッチなコンテキスト信号で拡張することで,クエリ理解を強化する手法を提案する。 我々は、Web検索のタイトルとスニペットを使って、現実世界の情報にクエリを接地し、GPT-4を使ってクエリの書き直しと説明を生成する。 我々の文脈認識アプローチは文脈自由モデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-07-19T14:28:53Z)
• Guiding ChatGPT to Generate Salient Domain Summaries [7.845567659176864]
  PADS は textbfPipeline で textbfDomain textbfSummarization で ChatGPT をサポートする。
  論文  参考訳（メタデータ） (2024-06-03T07:42:45Z)
• Generate rather than Retrieve: Large Language Models are Strong Context Generators [74.87021992611672]
  本稿では,文書検索を大規模言語モデル生成器に置き換えることで,知識集約型タスクを解く新しい視点を提案する。 我々は,提案手法をgenRead (genRead) と呼び,まず大きな言語モデルに対して,与えられた質問に基づいて文脈文書を生成し,次に生成された文書を読み出して最終回答を生成する。
  論文  参考訳（メタデータ） (2022-09-21T01:30:59Z)
• UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
  大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。 事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。 本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:01:59Z)

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。