GEO: Generative Engine Optimization

📄 arXiv: 2311.09735v3 📥 PDF

作者: Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan, Ameet Deshpande

分类: cs.LG, cs.IR

发布日期: 2023-11-16 (更新: 2024-06-28)

备注: Accepted to KDD 2024

💡 一句话要点

提出生成引擎优化（GEO）以提升内容创作者的可见性

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生成引擎 内容可见性 黑箱优化 用户查询 内容创作者 信息发现 优化框架

📋 核心要点

  1. 现有的生成引擎对内容创作者的控制能力有限，导致其内容的展示时机和方式不确定。
  2. 本文提出生成引擎优化（GEO），通过灵活的黑箱优化框架帮助内容创作者提升内容的可见性。
  3. 实验结果表明，GEO在生成引擎响应中的可见性提升可达40%，且不同领域的优化效果存在差异。

📝 摘要（中文）

大型语言模型（LLMs）的出现引领了生成引擎（GEs）的新范式，这些引擎通过生成模型汇集和总结信息以回答用户查询。尽管这一技术显著提高了用户效用和生成搜索引擎的流量，但对网站和内容创作者造成了挑战。为此，本文提出生成引擎优化（GEO），这是首个帮助内容创作者提升其内容在生成引擎响应中可见性的灵活黑箱优化框架。通过引入GEO-bench基准，本文展示了GEO能够在生成引擎响应中提升可见性高达40%。

🔬 方法详解

问题定义：本文旨在解决生成引擎对内容创作者可见性控制不足的问题。现有方法未能有效支持内容创作者在生成引擎中的展示。

核心思路：GEO通过建立一个灵活的黑箱优化框架，帮助内容创作者定义和优化可见性指标，从而提升其内容在生成引擎中的展示效果。

技术框架：GEO的整体架构包括数据收集、可见性指标定义、优化算法和评估模块。通过系统化的评估，GEO-bench提供了多领域用户查询的基准数据。

关键创新：GEO的主要创新在于其黑箱优化框架，能够在不需要了解生成引擎内部机制的情况下，帮助内容创作者提升可见性，这与传统方法的透明性要求形成鲜明对比。

关键设计：GEO设计了特定的可见性指标，并结合多种优化算法进行参数调整，以适应不同领域的需求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

通过严格的实验评估，GEO在生成引擎响应中的可见性提升达40%。此外，研究表明，不同领域的优化策略效果存在显著差异，强调了领域特定优化方法的重要性。

🎯 应用场景

GEO的研究成果可广泛应用于内容创作、数字营销和搜索引擎优化等领域。通过提升内容在生成引擎中的可见性，内容创作者能够更有效地吸引目标受众，从而实现更高的商业价值和用户参与度。未来，GEO可能推动内容创作者与生成引擎之间的良性互动，促进创作者经济的发展。

📄 摘要（原文）

The advent of large language models (LLMs) has ushered in a new paradigm of search engines that use generative models to gather and summarize information to answer user queries. This emerging technology, which we formalize under the unified framework of generative engines (GEs), can generate accurate and personalized responses, rapidly replacing traditional search engines like Google and Bing. Generative Engines typically satisfy queries by synthesizing information from multiple sources and summarizing them using LLMs. While this shift significantly improves $\textit{user}$ utility and $\textit{generative search engine}$ traffic, it poses a huge challenge for the third stakeholder -- website and content creators. Given the black-box and fast-moving nature of generative engines, content creators have little to no control over $\textit{when}$ and $\textit{how}$ their content is displayed. With generative engines here to stay, we must ensure the creator economy is not disadvantaged. To address this, we introduce Generative Engine Optimization (GEO), the first novel paradigm to aid content creators in improving their content visibility in generative engine responses through a flexible black-box optimization framework for optimizing and defining visibility metrics. We facilitate systematic evaluation by introducing GEO-bench, a large-scale benchmark of diverse user queries across multiple domains, along with relevant web sources to answer these queries. Through rigorous evaluation, we demonstrate that GEO can boost visibility by up to $40\%$ in generative engine responses. Moreover, we show the efficacy of these strategies varies across domains, underscoring the need for domain-specific optimization methods. Our work opens a new frontier in information discovery systems, with profound implications for both developers of generative engines and content creators.