GEO 奠基论文：先定义生成式答案里的可见性，再谈优化

Pranjal Aggarwal 等人的论文《GEO: Generative Engine Optimization》被 KDD 2024 接收，并由 ACM 收录。论文把生成式引擎优化定义为一个面对黑箱生成式引擎的问题：内容或网站提供者无法完全控制答案何时出现、怎样呈现，因此需要专门衡量一个来源在生成式回答中的出现、位置和呈现方式。

研究者提出了可见性指标和 GEO-bench，用跨领域查询及相关网页来源比较不同的内容调整方法。论文报告，在特定基准、查询、生成式引擎和实验设置中，部分方法曾把来源可见性提高最高 40%；不同方法在不同领域的表现并不相同。

这项研究帮助品牌把几个常被混在一起的问题分开：网页能否被抓取，内容有没有被引用，来源在答案中获得多少可见性，以及这些变化最后有没有带来访问和业务结果。企业可以借鉴它的实验思路，固定问题和目标平台，进行多轮采样，并保留原始答案来观察波动。

对企业最有用的不是记住“最高 40%”这个数字，而是采用论文的实验思路：选择与业务有关的真实问题，在目标平台多问几次，保存答案和引用，再观察内容调整以后发生了什么。最后再把这些变化接到访问、咨询和成交，形成品牌自己的 GEO 衡量方法。