GEO是什么？和SEO有什么区别？

随着 Bard & Perplexity 等基于 LLM 的搜索引擎的崛起，机器人直接输出答案，这让内容创建者通过SEO来改进他们的网站，已经逐渐变得越来越难。为了帮助内容创作者更好地理解他们的内容在生成引擎中的表现，并提供了优化这些内容以提高其在生成引擎中可见性和有效性的策略，普林斯顿大学和艾伦科技研究所提出了GEO的概念:生成引擎优化。

项目地址:https://generative-engines.com/GEO/

论文:https://arxiv.org/pdf/2311.09735.pdf

代码:https://github.com/GEO-optim/GEO

GEO提出了一个专门针对生成引擎的印象度量标准。这些度量标准包括内容可见性、信息准确性、用户参与度和内容影响力。内容可见性衡量内容在生成引擎回答中出现的频率和显著性，信息准确性评估生成引擎提供的信息与原始内容的一致性，用户参与度测量用户与生成引擎提供的内容的互动程度，内容影响力评估内容在生成引擎回答中的权威性和影响力。

GEO的原理包括多模态理解、内容综合性和语义理解。多模态理解指的是生成引擎不仅处理文本信息，还可能结合视觉和空间布局等其他模态的信息。内容综合性是指生成引擎倾向于提供更加综合和完整的回答，而不仅仅是简单的链接。语义理解则是生成引擎使用先进的语言模型，能够深入理解内容的语义。

为了优化内容在生成引擎中的表现，GEO提出了一些策略。首先是结构化内容，通过优化网站和内容的结构，使其更容易被生成引擎解析和引用。其次是关键信息突出，确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这些信息。还有增强语义相关性，使用关键词和短语来提高内容的语义相关性，使其更符合目标受众的搜索意图。另外，利用GEO提供的度量标准来评估和优化内容在生成引擎中的表现，持续监测和调整内容在生成引擎中的表现，并适应生成引擎的变化。

为了评估和比较不同优化方法的效果，GEO引入了一个名为GEO-BENCH的多样化基准测试。该基准测试包含10，000个查询，覆盖了多个领域、难度级别和类别。这个基准测试由多个来源的数据集组成，包括MS Macro、ORCAS-1、Natural Questions等，这些数据集代表了不同类型的用户查询和搜索场景。GEO-BENCH包括训练集、验证集和测试集，使得内容创作者和研究人员能够在标准化的环境中训练和测试他们的优化策略。此外，GEO-BENCH还提供了一个公共排行榜，定期更新以展示最新的测试结果，促进不同方法之间的竞争和进步。

通过实施GEO提出的策略和参与GEO-BENCH基准测试，内容创作者能够提高他们的网站和内容在生成引擎中的可见性和有效性，更好地满足用户的搜索需求。