論文の概要: IntentGEO: Intent-aware Generative Engine Optimization for Recommendation

• arxiv url: http://arxiv.org/abs/2611.04225v1
• Date: Tue, 03 Nov 2026 03:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 01:00:39.07897
• Title: IntentGEO: Intent-aware Generative Engine Optimization for Recommendation
• Title（参考訳）: IntentGEO: RecommendationのためのIntent-aware Generative Engine最適化
• Abstract要約: インテントの変更がユーザ意図の可視性にどのように影響するかを評価する。 提案するAMO(Anchored Meta-Optimization, Anchored Meta-Optimization, Anchored Meta-Optimization, Anchored Meta-Optimization, AMO)は,参照フィードバックから付加戦略を学習しながら,一定のコアにレコメンデーション命令を保存する。 これらの知見は,GEO評価のキーディメンションとしてのユーザ意図と,レコメンデーションニーズや意思決定段階にまたがる適応の支援を強調した。
• 参考スコア（独自算出の注目度）: 46.369210216634535
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models (LLMs) increasingly shape recommendations across chatbots, e-commerce, and user-generated content (UGC) platforms, creating demand for Generative Engine Optimization (GEO) to improve item visibility in generated responses. Existing GEO studies are mainly content-centric, optimizing visibility under general-purpose queries. However, a shared item description usually serves users with different needs and decision goals, resulting in its visibility gains being dependent on the request. To investigate how changing intent affects visibility, we formulate IntentGEO to evaluate shared rewrites across need specificity and decision progression. We revisit existing GEO methods and find that their visibility gains vary across user intents. More critically, learning-based prompt optimization can underperform its handwritten seed on average. Tracing these updates reveals prompt drift from explicit recommendation instructions toward generic promotional tactics. To address this drift, we propose AMO (Anchored Meta-Optimization), which preserves recommendation instructions in a fixed core while learning appended strategies from citation feedback. Across four domains and ten intent states, AMO improves average citation-rank gain by 35% over the strongest prior learning-based baseline and leads on nine states. Ablations show that learned additions improve on the fixed core alone and that AMO outperforms full-prompt optimization initialized from that core. It also achieves the highest gains in an agentic recommendation pipeline and, after separate adaptation, on Doubao, a commercially deployed, closed-source online assistant. These findings highlight user intent as a key dimension of GEO evaluation and support anchored adaptation across recommendation needs and decision stages.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、チャットボット、eコマース、ユーザ生成コンテンツ(UGC)プラットフォーム間のレコメンデーションをますます形成し、生成エンジン最適化(GEO)の需要を生み出し、生成したレスポンスにおけるアイテムの可視性を改善する。 既存のGEO研究は主にコンテンツ中心であり、汎用的なクエリ下での可視性を最適化している。 しかし、共有アイテムの説明は通常、異なるニーズと決定目標を持つユーザに提供され、その結果、その可視性は要求に依存している。 意図の変化が可視性にどのように影響するかを調べるために、要求の特異性や決定の進行性にまたがる共有リライトを評価するためにIntentGEOを定式化する。 既存のGEOメソッドを再検討し、その可視性の向上がユーザ意図によって異なることを確認する。 さらに重要なのは、学習ベースのプロンプト最適化は、手書きのシードを平均的に過小評価できることだ。 これらの更新の追跡は、一般的なプロモーション戦略への明確な推奨命令からすぐに消えることを示している。 このドリフトに対処するため,AMO (Anchored Meta-Optimization) を提案する。 4つのドメインと10のインテント状態にまたがって、AMOは、最強の学習ベースラインよりも平均的な引用ランクゲインを35%向上させ、9つの状態に導く。 アブレーションによると、学習した追加は固定コアだけで改善され、AMOはそのコアから初期化されたフルプロンプト最適化よりも優れている。 また、エージェントレコメンデーションパイプラインで最高の利益を上げ、個別に適応した後、商用にデプロイされ、クローズドソースのオンラインアシスタントであるDoubaoで達成している。 これらの知見は,GEO評価の重要次元としてのユーザ意図と,推奨ニーズや意思決定段階にまたがる適応の支援を強調した。

関連論文リスト

• Query Implied Generative Engine Optimization [0.0]
  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。
  論文  参考訳（メタデータ） (2026-08-19T21:33:45Z)
• From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning [18.351281487408176]
  生成エンジン(GE)は、ランク付けされたリンクを引用グラウンドの回答に置き換えることで、情報アクセスを再構築している。 本稿では,マルチエージェントフレームワークであるMAGEOを提案する。 3つのメインストリームエンジンの実験では、MAGEOは可視性と励振の両面においてベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-04-21T14:39:24Z)
• Learning to Shop Like Humans: A Review-driven Retrieval-Augmented Recommendation Framework with LLMs [30.748667156183004]
  RevBrowseはレビュー駆動のレコメンデーションフレームワークである。 RevBrowseは、ユーザレビューをLLMベースのリグレードプロセスに統合し、候補項目を識別する機能を強化する。 PrefRAGは、ユーザとアイテムの表現を構造化形式に分解する検索拡張モジュールである。
  論文  参考訳（メタデータ） (2025-08-31T04:37:43Z)
• Role-Augmented Intent-Driven Generative Search Engine Optimization [9.876307656819039]
  本稿では,G-SEO(Role-Augmented Intent-Driven Generative Search Engine Optimization)法を提案する。 提案手法は,多種多様な情報的役割にまたがるリフレクティブ・リフレクティブ・リファインメントによる検索意図をモデル化し,ターゲットコンテンツの強化を可能にする。 実験結果から,検索意図がコンテンツ最適化に有効な信号であることが示された。
  論文  参考訳（メタデータ） (2025-08-15T02:08:55Z)
• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)

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。