LLMO・GEO の研究論文と民間調査/基盤・用語(GEO原典)
研究論文
GEO:生成エンジン最適化
原題:GEO: Generative Engine Optimization
著者は Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan, Ameet Deshpande。に arXiv へ投稿されました。日本語の題名は、ガーオンによる仮の訳です。
論文の原文を arXiv で読む(arXiv:2311.09735)論文が報告した結果
生成モデルが複数の出典を集め、要約して質問に答える検索を、生成エンジン(GE)として形式化し、サイト運営者がその答えの中での見え方を高める枠組みとして、生成エンジン最適化(GEO)を初めて提案した論文である。
多様な領域の質問と、それに答えるウェブ出典からなる大規模ベンチマーク GEO-bench(質問10,000、25領域)を導入する。厳密な評価で、GEOは生成エンジンの答えにおける見え方を最大40%押し上げ、戦略の効き方は領域で違う、と報告している。市販の Perplexity.ai でも同じ手法を試し、見え方の伸びは最大37%だった、とされる。
ChatGPT を調べた論文Perplexity を調べた論文
調査の条件
- 論文が調べたこと
- 生成エンジン向けのコンテンツ最適化手法の提案(研究用環境)
- 調べた対象の AI
- ChatGPT、Perplexity
- 調べたモデル
- gpt3.5-turbo/Perplexity.ai
- 測定の道具として使った AI
- GPT-3.5(G-Eval)/GPT-4(タグ付け)
- 回答データの取り方
- GEO-bench 上のオフライン評価(Google 検索から上位5件を渡し生成)と、Perplexity.ai での試験(本文)
- 調査の規模
- GEO-bench は質問10,000、25領域(本文)。研究用GEはクエリあたり出典5件
- 数字が載っている場所
- 要旨(見え方最大40%)。GEO-bench の10,000質問・25領域、Perplexity.ai での最大37%、gpt3.5-turbo と上位5件は本文
結果を読むときの注意
KDD 2024採択(v3、最終改訂 2024-06-28)。研究用のGEは、Google 検索から上位5件を取り、gpt3.5-turbo が答えを生成する2段階である(本文)。指標の一部は GPT-3.5 による G-Eval、ベンチのタグ付けに GPT-4 を使う。伸びは、すでに候補として渡された出典の文脈での見え方であり、自然検索での発見そのものではない、という後続の整理がある(本カタログのサーベイ 2607.14035 もその点を論じる)。
上の要約は、株式会社ガーオンが生成AIを使って作成しました。最終更新は2026年11月19日です。正確な内容は、論文の原文で確認してください。
「基盤・用語(GEO原典)」を調べたほかの論文
- 2026年9月AXこそ、新しいAEOである