在數位時代的快速發展下，搜尋引擎優化（SEO）已成為網站和內容創作者的重要工具。傳統 SEO 的主要目標是調整網站的內容和結構，以在搜尋引擎結果頁中獲得更高的排名，進而增加曝光率和訪問量。然而，隨著大型語言模型（LLM）的出現，一種新型的搜尋引擎——人工智能搜尋引擎（例如 Generative Engines）已經崛起。這些引擎利用生成模型來收集和總結資訊，回答用戶的查詢。
《GEO：人工智能搜尋引擎優化》這篇論文的主要研究團隊為在資訊檢索系統領域具有豐富經驗的專家。他們專注於探索和實現新的搜尋技術，特別是在利用人工智能和大數據分析來提升搜尋引擎效能方面。研究團隊深入探討了生成引擎的運作原理、對傳統 SEO 策略的影響以及開發新的 GEO 方法，旨在為這一新興領域提供實用且有效的指導。
研究團隊針對 GEO 框架提出了一整套全面的可見度指標，並使內容創作者能夠創建他們自己的定制可見度指標。通過系統評估，研究團隊證明了提出的生成引擎優化方法可以在各種查詢中提高高達40%的可見度，為內容創作者提供了提高他們在快速適應生成引擎中的可見度的有益策略。研究者發現，包括引用，來自相關來源的引語，和統計數據可以顯著提高源可見度，各種查詢的增加超過40%。此外，研究者也發現生成引擎優化方法的有效性取決於查詢的領域。
人工智能搜尋引擎的原理與運作
人工智能搜尋引擎，如 Generative Engines，代表了搜尋技術的一個重大進步。這些引擎不僅僅是回答查詢的工具，而是透過複雜的算法來理解和處理用戶的需求。在一個基本的層面上，這些引擎包括數個後端生成模型和一個用於來源檢索的搜尋引擎。當用戶提出查詢時，這些搜尋引擎採用自然語言處理技術，將查詢轉化為一個可以理解和處理的格式，進而產生一個自然語言的回應。
這些搜尋引擎的關鍵在於它們如何使用大量的資料和先進的機器學習技術來提供準確和相關的答案。它們通過結合來自不同來源的資訊，生成一個豐富且結構化的回應。這種方法與傳統搜尋引擎的單一來源回應不同，它需要在多個方面考慮如文本長度、獨特性以及引用網站的呈現方式。
此外，這些搜尋引擎不僅限於單一的文字輸入和輸出模式，它們還涵蓋了多種任務，如查詢重構、來源選擇，以及決定何時何地執行這些任務。這些功能的複合使得人工智能搜尋引擎能夠提供一種更加個性化且深入的搜尋體驗。
傳統 SEO 與人工智能搜尋優化 (GEO) 的差異
傳統的搜尋引擎優化 (SEO) 主要關注於如何通過特定關鍵字和內容結構來提高網站在搜尋引擎結果頁（SERP）中的排名。這種策略基於搜尋引擎如何爬行、索引和排列網站內容的特定算法。然而，隨著人工智能搜尋引擎的出現，傳統 SEO 方法面臨著挑戰。這是因為這些新型搜尋引擎採用更為複雜和動態的算法來生成回應，而非僅僅依賴關鍵字匹配。
相較於傳統 SEO，人工智能搜尋引擎優化（GEO）關注的是如何在人工智能驅動的搜尋回應中提升內容的可見性。由於這些引擎通常結合來自多個來源的資訊來創建一個統一的回應，因此，GEO 需要考慮的因素比傳統 SEO 更為多樣，包括內容的長度、獨特性和如何呈現引用資訊。此外，GEO 還涉及使用一系列特別設計的印象指標，這些指標可以幫助內容創作者衡量和優化其網站在生成引擎回應中的表現。
總而言之，GEO 與傳統 SEO 的最大區別在於，它不僅關注於排名和可見性，更著重於如何在生成引擎的多元和對話式環境中優化內容。這要求內容創作者採用更加創新和靈活的方法來應對這些新型搜尋引擎的特點和需求。
GEO 方法及其應用
隨著人工智能搜尋引擎的興起，Generative Engine Optimization (GEO) 的策略和技術變得至關重要。GEO 方法旨在通過文本修改和結構優化來提升網站在這些新型搜尋引擎回應中的可見性。這些方法包括從簡單的文體調整到引入新內容的結構化方式，其目的是無論查詢如何，都能增強網站內容的吸引力和相關性。
例如，GEO 方法中的一種是在文本中加入引用來源。這種簡單的添加可以顯著提高源網站在最終生成的回應中的可見性。另一種方法是添加相關統計數據，這不僅增加了內容的權威性，還有助於提升其在生成引擎回應中的位置。此外，強調文本中的某些部分並使用更有說服力的文體也是一種有效的 GEO 方法，它可以改善網站內容的可見性。
這些 GEO 方法的實際應用已經在多個案例中展示出它們的效果。例如，在 Perplexity.ai 這個已部署的生成引擎上進行的實驗表明，引用添加和統計數據添加等簡單方法可以在位置調整的字數計數和主觀印象上顯著提升性能。這些結果證明了 GEO 方法在實際應用中的有效性，並為內容創作者提供了實用的工具來適應新型搜尋引擎的挑戰。
實驗設計與評估
為深入理解 Generative Engine Optimization (GEO) 方法的成效，研究團隊進行了一系列精密的實驗，並創建了名為 GEO-BENCH 的基準測試集。這個測試集包含了 10,000 個來自多個來源的查詢，以模擬現實世界中的搜尋引擎應用情境。這些查詢根據其目標領域、難度和查詢意圖等維度進行了細致分類，以便全面評估 GEO 方法在不同情境下的效果。
評估方法主要聚焦於比較初始生成的回應和經過 GEO 方法修改後的回應之間的相對印象改善。這種相對改善是通過計算每個來源在生成引擎回應中的表現來確定的。實驗結果表明，GEO 方法能夠在多個方面提升網站內容的可見性。例如，在使用 Perplexity.ai 這個已部署的生成引擎進行的實驗中，GEO 方法在位置調整字數計數和主觀印象兩個指標上實現了顯著的性能提升。具體來說，統計數據添加方法在主觀印象上的改善達到了 37%，而引用添加方法在位置調整字數計數上的提升達到了 22%。
此外，對於不同領域的查詢，GEO 方法的效果也有所不同。研究發現，某些特定的 GEO 方法，如在辯論風格的查詢中使用權威性文體，能在特定類型的查詢中取得更好的結果。這些發現強調了在應用 GEO 方法時考慮特定領域的重要性，並為內容創作者提供了在這新時代下適應新型搜尋引擎環境的有效工具。
領域特定的 Generative Engine Optimization (GEO) 策略
在實施 Generative Engine Optimization (GEO) 方法時，考慮到不同領域對於優化策略的反應差異是至關重要的。根據 GEO-BENCH 基準測試集的分析，可以明顯看出 GEO 方法在不同類型的查詢中有著顯著不同的表現。例如，在辯論風格的查詢或與歷史相關的主題中，採用權威性和說服力較強的文體的 GEO 方法顯示出更高的效果。這種權威性文體的使用不僅提升了內容在生成引擎回應中的可見性，還增強了其對目標受眾的吸引力。
這一發現強調了在選擇和實施 GEO 方法時，必須考慮特定行業或市場的特點。例如，對於科學或醫療相關網站，提供詳實的數據支持和參考文獻是至關重要的。這些網站的內容應該專注於提供可信且精確的資訊，以及明確的來源引用，以提高其在生成引擎回應中的可見性和權威性。相反，對於娛樂或時尚類網站，創意和引人注目的元素則更為重要。這些網站可能會受益於使用更生動、具吸引力的語言和視覺元素，以吸引目標受眾的注意力。
GEO 方法在不同領域之間的效果差異也凸顯了為適應不斷變化的搜尋引擎環境而開發多元化和靈活的優化策略的重要性。例如，在 GEO-BENCH 的測試中，一些針對科技和健康領域的 GEO 方法表現出顯著的提升，而在娛樂或生活風格領域則需要不同的策略。這些結果強調了內容創作者需要不斷評估和調整其策略，以保持在競爭激烈的搜尋引擎環境中的優勢。
結語
這篇介紹的 Generative Engine Optimization (GEO) 方法，標誌著搜尋引擎優化領域的一個新時代。隨著人工智能和大型語言模型在搜尋引擎中的應用日益增加，GEO 提供了一種新的途徑，讓內容創作者能夠在這些先進的搜尋系統中提升其內容的可見性和影響力。這一新典範不僅強調了對傳統 SEO 策略的重新評估，還突出了針對特定領域和市場的定制化優化的重要性。
隨著搜尋技術的進一步發展，可以預見到更多關於如何有效利用這些新型搜尋引擎的研究和創新。未來的研究可能會探討更複雜的優化方法，以及如何在這些不斷變化的技術環境中保持內容的相關性和吸引力。此外，隨著人工智能技術的不斷進步，我們也可能看到更多針對用戶行為和偏好的個性化優化策略的出現。
GEO 開啟了一個新的搜尋引擎優化時代，對於內容創作者和數位市場專家而言，這既是一個挑戰也是一個機遇。隨著技術的發展，我們將需要不斷適應和創新，以確保在這個不斷演進的數字世界中保持競爭力。