《GEO》论文解读:生成式引擎优化这个概念从哪里来
GEO 一词来自 2023 年发表、2024 年在 KDD 会议发表的学术论文。本文解读论文的研究方法、有效策略与局限,帮你区分哪些结论有证据、哪些只是行业演绎。
一个营销词背后的学术出处
如今“GEO”被大量服务商挂在嘴边,但它并不是凭空造出来的营销词。这个概念来自 2023 年 11 月发布在 arXiv 上的论文《GEO: Generative Engine Optimization》,作者包括 Pranjal Aggarwal、Vishvak Murahari 等人,来自普林斯顿大学、印度理工学院德里分校等机构,论文随后被 KDD 2024(ACM 知识发现与数据挖掘会议)收录。
论文的出发点很直接:生成式引擎(如 ChatGPT 搜索、Perplexity、Google AI Overviews)直接给出整合后的答案,用户不一定再点击原网页,内容创作者会失去流量和曝光。那么,创作者能否通过调整内容,让自己更多地出现在 AI 的答案里?
研究是怎么做的
- 建立基准:作者构建了 GEO-bench,包含约 10,000 条来自不同领域的查询。
- 定义“可见度”:不再用排名,而是衡量某个来源在生成答案中被引用的比重,例如按位置加权的引用字数(Position-Adjusted Word Count)。
- 对比多种改写策略:对同一来源页面施加不同的内容修改,观察它在答案里的占比变化。
哪些方法有效
论文测试了九类策略,结论可以概括为:
| 策略 | 做法 | 效果 |
|---|---|---|
| 添加引语 | 引用权威人士或机构的原话 | 效果最突出之一 |
| 添加统计数据 | 用具体数字替代模糊描述 | 效果最突出之一 |
| 引用来源 | 明确标注信息出处 | 显著提升 |
| 提升流畅度、易读性 | 改善表达 | 有一定帮助 |
| 关键词堆砌 | 传统 SEO 式重复关键词 | 基本无效 |
整体上,最佳方法可将可见度提升约 40%;在商用产品 Perplexity 上的验证中,提升最高约 37%。
不要忽略的两点局限
- 效果因领域而异。论文明确指出,不同主题下最优策略不同,例如历史类问题更受益于引语,事实类问题更受益于数据。
- 实验环境是简化的。研究使用的是当时的模型和固定的少量候选来源,与今天各家 AI 搜索的真实检索流程有差距。所以“+40%”是实验结论,不是任何网站照做就能得到的保证。
对内容团队的启发
- 写作时用具体数字、可核实的出处、权威引语替代空泛描述。
- 不要沿用关键词堆砌的老办法,它在生成式引擎里几乎不起作用。
- 针对自己的行业做小规模实测,而不是照搬通用清单。
常见问题
论文里的“可见度提升 40%”是指流量提升 40% 吗?
不是。论文衡量的是内容在 AI 生成答案中所占的比重(按位置加权的引用字数等指标),并不等同于网站流量或排名。
论文结论还适用于今天的 AI 搜索吗?
方向仍有参考价值,但实验使用的是当时的模型和简化的检索流程。今天的 ChatGPT、豆包、元宝等产品检索方式不同,需要结合自己的实测来验证。
引用本文
复制下方信息即可在报告或 AI 对话中引用本文:
Site Author. "《GEO》论文解读:生成式引擎优化这个概念从哪里来". GEO 优化教程:从零学会 AI 搜索排名优化, 2026-11-16. http://geoai.it.com/zh/post/geo-paper-explained