研究人員測試了多種優化 AI 搜尋的方法**，並發現了提高可見度的方法。 他們成功地將排名較低的小型**的知名度提高了 115%，使他們能夠超越通常在搜尋結果中佔據首位的大型企業**。
來自普林斯頓大學、喬治亞理工學院、艾倫人工智慧研究所和德里印度理工學院的研究人員觀察到，他們的生成式引擎優化技術（稱為 GEO）能夠將整體可見性提高多達 40%。
在多個知識領域（例如，法律、歷史、科學等）中測試了九種優化技術，他們發現了哪些有效，哪些無效，以及哪些方法實際上使排名變得更糟。
特別令人感興趣的是，其中一些技術對特定知識領域特別有效，而其中三種技術對所有型別的**都特別有效。
研究人員強調了GEO使搜尋結果頂部民主化的能力，他們寫道：
“這一發現凸顯了GEO作為數字空間民主化工具的潛力。困惑中的研究人員在AI搜尋引擎和以Bing Chat為模型的AI搜尋引擎上進行了測試，發現結果與以Bing Chat為模型的結果相似。重要的是，許多排名較低的**通常是由小型內容創作者或獨立企業建立的，這些企業傳統上難以與在搜尋引擎結果中排名最高的大公司競爭。 ”
他們在研究的第6節中觀察到**：
“我們發現，與我們的構建引擎類似，Quotation Addition 在位置調整的字數方面表現最好，比基線提高了 22%。 此外，在我們的構建引擎中表現良好的方法，如 Citations**、Stats Add，在這兩個指標上都顯示出高達 9% 和 37% 的高改進。 ”研究人員在他們建立的生成式搜尋引擎上測試了他們的方法，該搜尋引擎以Bing Chat工作流程為模型，並在AI搜尋引擎Perplexity上進行了測試人工智慧在上面。
他們寫道：
“我們描述了乙個生成引擎，其中包括多個後端生成模型和乙個用於源檢索的搜尋引擎。研究人員從 9 個不同的**中建立了乙個基準，其中包含跨多個知識領域和不同複雜程度的 10,000 個搜尋查詢。 例如，某些查詢需要推理才能解決答案。構建引擎 （GE） 將使用者查詢 qu 作為輸入，並返回自然語言響應 r，其中 pu 表示個性化的使用者資訊，例如偏好和歷史記錄。
生成引擎由兩個關鍵元件組成：
a.一組生成模型 g = ，每個模型都有特定的用途，例如查詢重構或彙總
b.給定查詢 q 的搜尋引擎 se 返回一組源 s = 。
我們提出了乙個具有代表性的工作流程。 在撰寫本文時，它與 Bingchat 的設計非常相似。 工作流將輸入查詢分解為一組更簡單的查詢，這些查詢更有可能被搜尋引擎使用。 ”
研究**解釋：
“..我們策劃了 geo-bench，這是乙個來自多個 ** 的 10k 查詢的基準測試，重新用於構建引擎以及合成查詢。 該基準測試包括來自 9 個不同域的查詢，每個域都根據其目標域、難度、查詢意圖和其他維度進一步分類。 ”下面列出了 9 個搜尋查詢源：
1. ms macro，研究人員測試了九種不同的優化方法，跟蹤它們如何適用於不同型別的搜尋，例如法律和科學、人與社會、健康、歷史和其他主題。2. orcas-1
3.自然問題
4.allsouls：此資料集包含來自“牛津大學萬靈學院”的測驗問題。
5.Lima：包含具有挑戰性的問題，這些問題不僅要求生成引擎聚合資訊，還需要執行適當的操作來回答問題的推理
6. d**inci-debtate
7. perplexity.AI Discover：這些查詢來自 PerplexityAI 的“發現”部分，這是趨勢查詢的更新列表
8.eli-5：此資料集包含來自 eli5 subreddit 的問題
9.GPT-4 生成的查詢：為了補充查詢分布的多樣性，我們提示 GPT-4 根據查詢意圖（例如，導航、事務）和難度，以及生成的響應範圍（例如，開放式、基於事實）從不同領域（例如，科學、歷史）生成查詢。
他們發現，每個利基主題對不同的優化策略反應良好。
這九種測試策略是：
權威：改變寫作風格，使權威主張更有說服力。
關鍵字優化：從搜尋查詢中新增更多關鍵字。
新增統計資訊：更改現有內容以包含統計資訊而不是解釋性資訊。
引用（引用可靠）。
引文新增：新增引文和來自高質量**的引文。
易於理解：使內容更易於理解。
流暢度優化是為了讓內容更清晰。
唯一字詞：新增不太廣泛使用、稀有且獨特的字詞，但不會改變內容的含義。
技術術語：此策略在有意義且不改變內容含義的地方新增獨特的技術術語。
引用**。 搭。
統計加法。 哪種方法最有效？
排名前三的優化策略是：
引用**。 搭。
統計加法。 與基線相比，這三種策略實現了 30-40% 的相對改善。
研究人員描述了這些策略的成功：
“這些方法涉及在內容中新增統計資料，包括新增引文，並包括來自可靠來源的引用來源，對實際內容本身的更改最小。流暢度優化和易於理解的方法也有助於將可見性提高 15-30%。但是，它們顯著提高了內容在構建引擎響應中的可見性，從而增強了內容的可信度和豐富性。 ”
研究人員對結果進行了解釋，以顯示人工智慧搜尋引擎如何評估內容以及如何呈現內容。
研究人員驚訝地發現，在內容中使用有說服力和權威的語氣通常不會提高人工智慧搜尋引擎的排名，而其他方法則不是這樣。
同樣，在搜尋查詢中向內容新增更多關鍵字也不起作用。 事實上，關鍵字優化的表現比基準差 10%。
該報告的乙個有趣的發現是，哪種優化效果最好取決於知識領域（法律、科學、歷史等）。
他們發現，當應用“權威”優化（使用更有說服力的語言）時，與歷史網域名稱相關的內容排名更高。
引文優化通過權威引文改進內容，這些引文非常適合事實搜尋查詢。
新增統計資料對於法律和相關問題非常有效。 統計資料也適用於“意見”問題，搜尋者詢問人工智慧對某事的看法。
研究人員觀察到
“這表明，結合資料驅動的證據可以提高特定背景下的可見性，尤其是在這些背景下。 ”新增引文適用於人與社會、解釋和歷史知識等領域。 研究人員將這些結果解釋為一種方式，表明也許人工智慧搜尋引擎更喜歡此類問題的“真實性”和“深度”。
研究人員得出結論，特定領域的優化是最好的方法。
這項研究的好訊息是，通常排名較低的**將從這些針對AI搜尋引擎的優化策略中受益。
他們得出的結論是：
“有趣的是，在SERP中排名較低通常很難獲得知名度，但從GEO中受益明顯多於從較高排名中受益**。這項研究為基於人工智慧的搜尋引擎提供了一條新的SEO路徑。 那些說AI搜尋將擊敗SEO的人說得太早了。 這項研究似乎表明，SEO最終將演變為GEO，以便在下一代AI搜尋引擎中競爭。例如，引用來源方法顯著提高了 SERP 中排名第五的 ** 的可見度 1151%，而頂部**平均下降了 303%。
…GEO 方法的應用為這些小型內容建立者提供了乙個機會，可以顯著提高他們在構建引擎響應中的可見性。
通過使用 GEO 來增強內容，他們可以接觸到更廣泛的受眾，創造乙個公平的競爭環境，使他們能夠更有效地與數字領域的大公司競爭。 ”