（ChinaZ.com）1月5日 消息:隨著 Bard & Perplexity 等基于 LLM 的搜索引擎的崛起，機(jī)器人直接輸出答案，這讓內(nèi)容創(chuàng)建者通過SEO來改進(jìn)他們的網(wǎng)站，已經(jīng)逐漸變得越來越難。為了幫助內(nèi)容創(chuàng)作者更好地理解他們的內(nèi)容在生成引擎中的表現(xiàn)，并提供了優(yōu)化這些內(nèi)容以提高其在生成引擎中可見性和有效性的策略，普林斯頓大學(xué)和艾倫科技研究所提出了GEO的概念:生成引擎優(yōu)化。
項(xiàng)目地址:https://top.aibase.com/tool/geo
論文:https://arxiv.org/pdf/2311.09735.pdf
代碼:https://github.com/GEO-optim/GEO
GEO提出了一個(gè)專門針對生成引擎的印象度量標(biāo)準(zhǔn)。這些度量標(biāo)準(zhǔn)包括內(nèi)容可見性、信息準(zhǔn)確性、用戶參與度和內(nèi)容影響力。內(nèi)容可見性衡量內(nèi)容在生成引擎回答中出現(xiàn)的頻率和顯著性，信息準(zhǔn)確性評估生成引擎提供的信息與原始內(nèi)容的一致性，用戶參與度測量用戶與生成引擎提供的內(nèi)容的互動(dòng)程度，內(nèi)容影響力評估內(nèi)容在生成引擎回答中的權(quán)威性和影響力。
GEO的原理包括多模態(tài)理解、內(nèi)容綜合性和語義理解。多模態(tài)理解指的是生成引擎不僅處理文本信息，還可能結(jié)合視覺和空間布局等其他模態(tài)的信息。內(nèi)容綜合性是指生成引擎傾向于提供更加綜合和完整的回答，而不僅僅是簡單的鏈接。語義理解則是生成引擎使用先進(jìn)的語言模型，能夠深入理解內(nèi)容的語義。
為了優(yōu)化內(nèi)容在生成引擎中的表現(xiàn)，GEO提出了一些策略。首先是結(jié)構(gòu)化內(nèi)容，通過優(yōu)化網(wǎng)站和內(nèi)容的結(jié)構(gòu)，使其更容易被生成引擎解析和引用。其次是關(guān)鍵信息突出，確保重要信息容易被找到和理解，以便生成引擎可以有效地提取和使用這些信息。還有增強(qiáng)語義相關(guān)性，使用關(guān)鍵詞和短語來提高內(nèi)容的語義相關(guān)性，使其更符合目標(biāo)受眾的搜索意圖。另外，利用GEO提供的度量標(biāo)準(zhǔn)來評估和優(yōu)化內(nèi)容在生成引擎中的表現(xiàn)，持續(xù)監(jiān)測和調(diào)整內(nèi)容在生成引擎中的表現(xiàn)，并適應(yīng)生成引擎的變化。
為了評估和比較不同優(yōu)化方法的效果，GEO引入了一個(gè)名為GEO-BENCH的多樣化基準(zhǔn)測試。該基準(zhǔn)測試包含10，000個(gè)查詢，覆蓋了多個(gè)領(lǐng)域、難度級別和類別。這個(gè)基準(zhǔn)測試由多個(gè)來源的數(shù)據(jù)集組成，包括MS Macro、ORCAS-1、Natural Questions等，這些數(shù)據(jù)集代表了不同類型的用戶查詢和搜索場景。GEO-BENCH包括訓(xùn)練集、驗(yàn)證集和測試集，使得內(nèi)容創(chuàng)作者和研究人員能夠在標(biāo)準(zhǔn)化的環(huán)境中訓(xùn)練和測試他們的優(yōu)化策略。此外，GEO-BENCH還提供了一個(gè)公共排行榜，定期更新以展示最新的測試結(jié)果，促進(jìn)不同方法之間的競爭和進(jìn)步。
通過實(shí)施GEO提出的策略和參與GEO-BENCH基準(zhǔn)測試，內(nèi)容創(chuàng)作者能夠提高他們的網(wǎng)站和內(nèi)容在生成引擎中的可見性和有效性，更好地滿足用戶的搜索需求。
