阅读GEO: Generative Engine Optimization论文：心得（二）
继续阅读KDD 2024论文GEO: Generative Engine Optimization，重点拆解GEO-bench、9类内容优化方法、实验结果，以及为什么关键词堆砌在AI搜索里效果有限。
阅读GEO: Generative Engine Optimization论文：心得（二）
上一篇讲论文怎样定义GEO。这一篇看实验。
《GEO: Generative Engine Optimization》最值得反复读的部分，是作者没有停在概念层，而是做了一个大规模基准GEO-bench，并把多种内容改写方法放到同一个评估框架里比较。
这让GEO讨论从“感觉AI喜欢什么内容”，变成“哪些改动在什么指标上更可能提升可见性”。
GEO-bench解决了什么问题
论文指出，当时没有专门面向生成式引擎的公开查询数据集，所以作者构建了GEO-bench。
这个基准包含1万条查询，分为8000条训练集、1000条验证集和1000条测试集。查询来源包括MS MARCO、ORCAS-1、Natural Questions、AllSouls、LIMA、Davinci-Debate、Perplexity.ai Discover、ELI5和GPT-4生成查询。
这些来源的组合很有意思。它不仅包含传统搜索里的真实匿名查询，也包含需要多来源综合、推理、解释、辩论或购买判断的问题。也就是说，GEO-bench更接近AI搜索里的复杂问法，而不只是关键词检索。
论文还为每条查询配套了Google搜索前5个结果的清洗文本，用来模拟生成式引擎的来源输入。这一点提醒企业：GEO不是只研究最终答案，也要研究AI能拿到哪些来源材料。
论文测试了哪些GEO方法
作者设计了9类内容优化方法：
- 更权威的表达方式。
- 添加可量化统计信息。
- 加入更多查询关键词，也就是传统SEO里常见的关键词强化。
- 添加可靠来源引用。
- 添加可信引语。
- 简化语言。
- 提升文本流畅度。
- 增加独特术语。
- 增加技术术语。
这些方法可以分成两组。
第一组是证据增强，例如统计、引用、引语。它们改变的不只是语气，而是给生成式引擎更多可用于支撑答案的材料。
第二组是表达优化，例如简化、流畅、权威、技术化。它们更多影响内容是否容易被模型理解、压缩和转述。
最重要的实验结论
论文在GEO-bench上发现，引用、引语和统计是表现最强的几类方法。在Position-Adjusted Word Count指标上，最佳方法相对基线最高提升约41%；在Subjective Impression指标上，最佳方法相对基线最高提升约28%。论文正文也总结，顶部方法在不同指标上大致带来30%到40%以及15%到30%的相对提升。
这里不能简单理解为“加几个数字就能稳定涨40%”。更准确的解释是：在论文的实验环境、问题集和评估指标下，带有可信证据的内容更容易被生成式答案吸收，并获得更高可见性。
另一个结论更值得警惕：关键词堆砌效果很弱，甚至在部分指标上低于基线。论文在Perplexity.ai的实验里也观察到，传统SEO式关键词强化在Position-Adjusted Word Count上比基线更差。
这说明生成式引擎不是简单匹配关键词。它要把来源内容压缩成答案，因此更看重信息是否能支撑判断、解释原因、提供证据和形成可信表达。
对企业内容团队的启发
第一，不要把GEO优化做成关键词清单。
AI搜索当然需要理解品牌属于哪个品类，但堆同义词、重复核心词、批量生成薄内容，很难建立可信来源。更稳妥的做法，是围绕用户真实问题补齐答案所需证据。
第二，优先补“可引用证据”。
例如产品能力说明、版本差异、价格口径、客户案例、行业数据、认证信息、方法论来源、对比表和FAQ。它们越具体，越容易被AI用来构造答案。
第三，区分事实、观点和营销语。
统计数据要说明口径，客户案例要说明场景，功能描述要说明适用边界。否则AI即使引用，也可能把限制条件压缩掉，造成错误推荐。
第四，把优化方法和问题类型绑定。
论文后续分析显示，不同领域适合的方法不同。企业不应该给全站套一个模板，而应该先看用户会问什么，再决定补统计、补引用、补引语，还是先简化表达。
GEO Radar可以怎么配合实验思路
企业没有必要完全复刻论文实验，但可以借用它的逻辑。
先用见川GEO / GEO Radar在 https://www.georadar.top 建一组固定问题：核心推荐问题、竞品对比问题、价格预算问题、风险顾虑问题和场景方案问题。然后记录每个平台的品牌提及、引用来源、推荐位置和答案理由。
再对官网内容做小步改动，例如补充案例页、更新FAQ、增加数据口径、整理第三方证据。每次只改一类内容，隔一段时间复测，避免把平台自然波动误判为优化效果。
论文给GEO行业最大的提醒是：不要用“玄学改写”替代实验。GEO优化应该像研究一样，有问题集、有基线、有改动记录、有复测。
这篇文章的资料来源
- arXiv，2023年11月16日提交、2024年6月28日修订，GEO: Generative Engine Optimization：https://arxiv.org/abs/2311.09735
- arXiv HTML全文，Experimental Setup、Results和Analysis章节：https://arxiv.org/html/2311.09735v3
- GEO作者项目页，论文、代码和数据集入口：https://geo-optim.github.io/GEO/GEO
- Hugging Face，GEO-bench数据集说明：https://huggingface.co/datasets/GEO-optim/geo-bench