GEO 不是营销圈自造的词
“生成式引擎优化”（Generative Engine Optimization，GEO）这个概念有明确的学术出处：普林斯顿大学、印度理工学院德里分校、佐治亚理工学院与 Allen Institute for AI 的研究者共同完成的论文《GEO: Generative Engine Optimization》，2024 年 8 月发表于第 30 届 ACM SIGKDD 知识发现与数据挖掘会议（KDD ’24，西班牙巴塞罗那）。论文预印本编号 arXiv:2311.09735，DOI 为 10.1145/3637528.3671900。
论文把 GEO 定义为：帮助内容创作者提升其内容在生成式引擎回答中可见度的方法体系。
先理解“生成式引擎”和搜索引擎的差别
论文用“生成式引擎（Generative Engines，GE）”指代那些用大模型聚合、摘要多来源信息来回答查询的系统。它和传统搜索引擎的关键差异在于：
- 搜索引擎返回一个按相关性排序的链接列表，内容以原样呈现，用户需要自己点进去看。
- 生成式引擎返回一段合成后的答案，把多个来源的信息融进同一段文字，并在其中嵌入引用。用户可能看完答案就结束，不再点击。
这个差异带来一个直接后果：在传统搜索里，“排名”是清晰且唯一的；在生成式引擎里，可见度变成了一个多维、模糊的概念。
两个可见度指标
论文提出了两个衡量“被引用得怎么样”的指标：
Position-Adjusted Word Count（位置调整词数）
同时考虑你的内容在答案中被引用的篇幅（词数），以及它出现的位置。位置越靠前、被引用的内容越多，得分越高。
Subjective Impression（主观印象）
由 7 个子指标构成，评估引用的整体质量：引用与问题的相关性、引用的影响力、所提供材料的独特性、主观位置（从用户视角看的显著程度）、主观篇幅、用户点击该引用的可能性、以及材料的多样性。论文使用 GPT-3.5 配合类 G-Eval 的评测模板来打分，并把分数归一化以便与位置调整词数做比较。
GEO-bench：一个 1 万条查询的基准
为了系统评估，论文构建了 GEO-bench，包含 1 万条查询，分为 8 千条训练集、1 千条验证集、1 千条测试集。数据来源覆盖了不同类型的真实与合成查询：
- MS Macro
- ORCAS-1
- Natural Questions
- AllSouls（牛津大学万灵学院的论文题）
- LIMA
- Davinci-Debate
- Perplexity.ai Discover
- ELI-5
- GPT-4 生成的查询
其中前三个数据集包含来自 Bing 和 Google 的真实匿名用户查询；后几个则被用来模拟生成式引擎面对的、更需要综合与推理的复杂提问。
核心实验结论
- 论文提出的 GEO 方法在 GEO-bench 上整体优于“不做优化”的基线。
- 表现最好的三种方法——引用来源（Cite Sources）、添加引语（Quotation Addition）、添加统计数据（Statistics Addition）——在位置调整词数指标上取得 30%—40% 的相对提升，在主观印象指标上取得 15%—30% 的提升。
- 整体而言，论文报告 GEO 可以让可见度最高提升约 40%。
- 方法的有效性因领域而异，需要做领域适配。
三个容易被忽略的限定条件
- **这是实验环境的结论，不是生产环境的承诺。**论文在自建生成式引擎和部署中的商用引擎上做了实验，但这不等于任何网站做完这些动作就能获得同样的百分比提升。
- **不同方法需要的投入不同。**引用来源、添加引语、添加统计数据需要引入额外内容；其余方法只是改进既有内容的呈现方式。
- **传统 SEO 的某些手段在生成式引擎里失效。**论文实测关键词堆砌几乎带不来提升，这一点后文会单独展开。
原文信息
- 标题：GEO: Generative Engine Optimization
- 作者：Pranjal Aggarwal、Vishvak Murahari、Tanmay Rajpurohit、Ashwin Kalyan、Karthik Narasimhan、Ameet Deshpande
- 发表：KDD ’24（2024 年 8 月 25—29 日，巴塞罗那）
- 预印本：arXiv:2311.09735