LLMO・GEO の研究論文と民間調査/GEO手法・効果検証

研究論文

生成エンジン最適化のための構造特徴エンジニアリング:内容の構造は、引用のされ方をどう形づくるか

原題:Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior

著者は Junwei Yu, Mufeng Yang, Yepeng Ding, Hiroyuki Sato。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:2603.29979)

論文が報告した結果

既存のGEOが意味内容の書き換えに寄ることが多いなか、構造の特徴が引用にどう効くかは十分見られていない、として枠組み GEO-SFE を提案している。

文書の構造を、マクロ(文書の構成)、メソ(情報の塊)、ミクロ(視覚的な強調)の3層に分解し、生成エンジンの作りの違いを踏まえて引用確率への影響をモデル化する。主流の生成エンジン6で評価し、引用率が17.3%、主観的な質が18.5%上がった、と報告している。

ChatGPT を調べた論文Google AI Overviews を調べた論文Claude を調べた論文Perplexity を調べた論文Copilot を調べた論文研究用の独自システム を調べた論文

調査の条件

論文が調べたこと
コンテンツ構造(見出し・FAQ等)が生成エンジン最適化に与える効果(GEO-SFE)
調べた対象の AI
ChatGPT、Google AI Overviews、Claude、Perplexity、Copilot、研究用の独自システム
調べたモデル
Google SGE/Bing Chat/Perplexity AI/Phind/ChatGPT/Claude
回答データの取り方
GEO-bench 由来の記事と質問を、6エンジン・2版で評価する実験(本文)
調査の規模
記事200、質問377、エンジン6×2版で2,400ケース(本文)
数字が載っている場所
要旨(引用率17.3%、主観18.5%、エンジン6)。データ規模は本文(200記事、377クエリ、2,400ケース)

結果を読むときの注意

6エンジンは、検索してから要約する Google SGE と Bing Chat、反復洗練の Perplexity AI と Phind、検索と生成を一体化した ChatGPT と Claude(本文 Table III)。評価は GEO-bench から採った200記事(6領域、約33記事ずつ)と実世界の質問377、エンジン6、2版で2,400ケース、とされる。意味の保存は文埋め込みの平均類似0.843、と本文。

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。

「GEO手法・効果検証」を調べたほかの論文