Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems

📄 arXiv: 2606.17443v1 📥 PDF

作者: Xi Chu, Yupeng Hou

分类: cs.AI, cs.CL, cs.CY

发布日期: 2026-06-16

备注: 16 pages, 4 figures, 11 tables

💡 一句话要点

研究品牌偏见与认知操控在LLM推荐系统中的动态影响

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 品牌偏见 认知操控 推荐系统 市场竞争 生成引擎优化 护肤品

📋 核心要点

  1. 当前对大型语言模型（LLMs）中品牌竞争的理解不足，尤其是在消费者难以判断产品质量的情况下。
  2. 本研究通过实验分析品牌在LLM推荐中的动态，探讨了品牌偏见和认知操控的影响机制。
  3. 实验结果显示，知名品牌在特定条件下占据垄断地位，而营销语言的变化能有效打破这种垄断。

📝 摘要（中文）

大型语言模型（LLMs）正成为消费者寻找产品的重要途径，但品牌在这一新渠道中的竞争方式尚不明确。本文通过对护肤品的研究，分析了在三种商业LLM（GPT-4o-mini、Claude Sonnet、Gemini 3 Flash）中的品牌动态。研究发现，知名品牌在所有产品规格相同的情况下被推荐的概率为100%，但当竞争对手的评分优势小于0.1星时，这种垄断现象会消失。此外，使用权威风格的营销语言（包括虚构的临床证据）可以打破这种垄断，且不同模型对此的响应各异。最后，在多品牌的生成引擎优化竞争中，当所有品牌采用相同的优化策略时，个体收益显著下降，未参与的品牌在测试中获得零推荐。研究结果表明，生成引擎优化不仅应被视为安全风险，还应作为一种新兴的市场营销实践进行研究。

🔬 方法详解

问题定义：本文旨在探讨在大型语言模型推荐系统中，品牌如何在消费者难以判断产品质量的情况下进行竞争。现有方法未能充分揭示品牌偏见和认知操控的动态影响。

核心思路：研究通过实验分析品牌在LLM推荐中的表现，特别关注知名品牌的垄断现象及其被打破的条件，提出了品牌与消费者认知之间的互动模型。

技术框架：研究设计了三个实验，分别在不同的LLM上进行，分析品牌推荐的概率、营销语言的影响及多品牌竞争的收益变化。主要模块包括品牌推荐模型、消费者认知模型和市场竞争模型。

关键创新：最重要的创新在于揭示了在相同产品规格下，知名品牌的推荐概率为100%的现象，以及通过权威语言打破这种垄断的具体机制。与现有方法相比，本文提供了更深入的品牌动态分析。

关键设计：实验中设置了不同的评分优势阈值（如+0.1星和+0.17星），并采用了多种营销语言策略，评估其对品牌推荐概率的影响。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，在所有产品规格相同的情况下，知名品牌的推荐概率为100%（IAI=10.0），但当竞争对手的评分优势小于0.1星时，这种垄断现象消失。此外，使用权威风格的营销语言能够在+0.17评分点的偏见盈余下打破垄断，不同模型对此的响应各异。个体收益在多品牌竞争中显著下降，从+0.802降至+0.007。

🎯 应用场景

该研究的潜在应用领域包括电子商务、在线广告和品牌管理等。通过理解品牌在LLM推荐中的动态，企业可以优化其市场策略，提高品牌曝光率和消费者信任度，从而在竞争中获得优势。未来，该研究可能影响品牌营销的理论和实践，推动生成引擎优化的进一步发展。

📄 摘要（原文）

Large language models (LLMs) are becoming a major way for consumers to find products, but we do not yet understand how brands compete in this new channel. We study brand dynamics in LLM recommendations using skincare products -- a category where consumers cannot easily judge quality before buying and must rely on brand reputation -- across three commercial LLMs (GPT-4o-mini, Claude Sonnet, Gemini 3 Flash), with a robustness check on search goods. In three experiments, we find: (1) a Conditional Monopoly where well-known brands get recommended 100% of the time (IAI = 10.0) when all products have the same specifications, but this dominance disappears with less than a +0.1-star rating advantage for a competitor; (2) authority-style marketing language, including fabricated clinical-evidence claims, breaks this monopoly at a Bias Surplus Value equal to +0.17 rating points, with each model responding differently; and (3) a social dilemma in multi-brand GEO competition: when all brands adopt the same optimization strategy, individual payoff falls from +0.802 to +0.007 in our payoff proxy, and non-participating brands receive zero recommendations in our tests. Our results suggest that generative engine optimization (GEO) should be studied not only as a security risk, but also as an emerging marketing practice that shapes market competition.