論文の概要: Location, Location, Generation: Where You Ask Matters for Generative Engine Optimization

• arxiv url: http://arxiv.org/abs/2610.24081v1
• Date: Fri, 16 Oct 2026 18:07:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 11:14:24.297382
• Title: Location, Location, Generation: Where You Ask Matters for Generative Engine Optimization
• Title（参考訳）: 位置、位置、生成 - 生成エンジン最適化の課題を問う
• Abstract要約: 本稿では,ユーザの位置が生成エンジンが引用するソースをどのように変更するかを制御した監査を行う。 生成検索エンジンは、ローカルおよび商用の質問に答える。
• 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 answer local and commercial questions with a written answer and a few cited sources. A growing practice of generative engine optimization (GEO) monitors which sources and brands these answers show, typically from a single place. In this paper, we present a controlled audit of how the user's location changes the sources that generative engines cite. We ask 300 questions of ChatGPT with 19 declared locations, and of ChatGPT and Gemini from five network locations, each twice to measure run-to-run noise (31,200 answers). The engines take location from different channels. ChatGPT follows the location an application declares, down to the city: it writes the place into its own searches, and its search backend localizes results even when the queries name no place. It ignores the network. Gemini ignores the declared location and follows the country of the network, changing most of its sources even for questions that do not depend on place. The businesses the answers recommend change with the sources. Thus, visibility in generative search is specific to the user's location, and audits must control both channels.
• Abstract（参考訳）: 生成検索エンジンは、ローカルおよび商用の質問に答える。 ジェネレーティブエンジン最適化(GEO)のプラクティスは、これらの回答のソースやブランドが示すように、通常は1つの場所から監視する。 本稿では,ユーザの位置が生成エンジンが引用するソースをどのように変化させるか,制御された監査を行う。 我々はChatGPTの19箇所、ChatGPTとGeminiの5つのネットワークロケーションについて300の質問を行い、それぞれ2回ずつ、ランニング・トゥ・ラン・ノイズ(31,200の回答)を測定した。 エンジンは異なるチャンネルから位置を取ります。 ChatGPTは、アプリケーションが宣言する場所に従って、都市に下る: 場所を独自の検索に書き込み、検索バックエンドは、クエリ名がない場所であっても結果をローカライズする。 ネットワークを無視する。 Geminiは、宣言された場所を無視し、ネットワークの国に従う。 回答の企業は、ソースの変更を推奨する。 したがって、生成検索の可視性はユーザの位置情報に特有であり、監査は両方のチャンネルを制御する必要がある。

関連論文リスト

• Location Aware Embedding for Geotargeting in Sponsored Search Advertising [8.751320677167298]
  我々は,ユーザのクエリとその場所を表す,シンプルで強力なニューラル埋め込みベースのフレームワークを開発する。 この表現は、ユーザのクエリインテントとクエリ/物理位置との間の微妙な相互作用をキャプチャできることを示す。
  論文  参考訳（メタデータ） (2026-03-14T15:58:39Z)
• GeoVista: Web-Augmented Agentic Visual Reasoning for Geolocalization [53.080882980294795]
  エージェント視覚推論に関する最近の研究は、深いマルチモーダル理解を可能にするが、主に画像操作ツールに焦点を当てている。 そこで本研究では,視覚的グラウンディングだけでなく,仮説の検証や修正のためにWeb検索も必要とするジオローカライゼーションタスクを再考する。 既存のジオローカライゼーションベンチマークは、高解像度画像の必要性と深部エージェント推論の局所化課題を満たすことができないため、GeoBenchをキュレートする。 推論ループ内にツールの実行をシームレスに統合するエージェントモデルであるGeoVistaを提案し,興味のある領域を拡大するイメージズームインツールと関連する領域を検索するWeb検索ツールを提案する。
  論文  参考訳（メタデータ） (2025-11-19T18:59:22Z)
• OneLoc: Geo-Aware Generative Recommender Systems for Local Life Service [35.04182485277291]
  ユーザの興味やリアルタイムの位置を考慮に入れたOneLocを提案する。 OneLocは、優れたオフラインおよびオンラインパフォーマンスを達成する。 OneLocはKuaishou Appのローカルライフサービスにデプロイされている。
  論文  参考訳（メタデータ） (2025-08-20T11:57:48Z)
• 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)
• Improving Toponym Resolution with Better Candidate Generation, Transformer-based Reranking, and Two-Stage Resolution [30.855736793066406]
  ジオコーディング(Geocoding)は、テキスト中の位置参照を地理空間意味論を符号化する構造化データに変換するタスクである。 我々はジオコーディングのための新しいアーキテクチャGeoNormを提案する。 提案手法は,複数データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-05-18T21:52:48Z)
• 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)
• Global-Local Context Network for Person Search [125.51080862575326]
  パーソンサーチは、自然に切り刻まれた画像からクエリーを共同でローカライズし、識別することを目的としている。 我々は,対象人物を取り巻く環境情報を多様かつ局所的に利用し,それぞれがシーンとグループコンテキストを参照する。 本稿では,機能強化を目的としたグローバル・ローカル・コンテキスト・ネットワーク(GLCNet)を提案する。
  論文  参考訳（メタデータ） (2021-12-05T07:38:53Z)
• Fine-grained Geolocation Prediction of Tweets with Human Machine Collaboration [3.147379819740595]
  クロールツイートの投稿に位置情報タグが付くのは、$1%以下だ。 本研究では、何百万ものTwitter投稿とエンドユーザードメインの専門知識を利用して、ディープニューラルネットワークモデルを構築します。 複数のニューラルアーキテクチャ実験と協調的なヒューマンマシンワークフロー設計により、位置検出に関する現在進行中の研究は、有望な結果を示している。
  論文  参考訳（メタデータ） (2021-06-25T03:51:02Z)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)
• Geosocial Location Classification: Associating Type to Places Based on Geotagged Social-Media Posts [22.313111311130662]
  位置への関連付けは、地図を豊かにするために使用することができ、地理空間的応用の多さに役立てることができる。 本研究では, 建物などの立地形態をソーシャルメディアの投稿に基づいて把握し, 位置分類の課題について検討する。
  論文  参考訳（メタデータ） (2020-02-05T16:09:52Z)

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。