Was generative Suchmaschinen mögen und wie man Webinhalte kooperativ optimiert

What Generative Search Engines Like and How to Optimize Web Content Cooperatively

October 13, 2025

papers.authors: Yujiang Wu, Shanshan Zhong, Yubin Kim, Chenyan Xiong

cs.AI

papers.abstract

Durch den Einsatz großer Sprachmodelle (LLMs) zur Dokumentenrecherche und Generierung natürlicher Sprachantworten bieten Generative Engines wie Google AI Overview und ChatGPT deutlich verbesserte Benutzererlebnisse und haben sich schnell zu einer neuen Form der Suche entwickelt. Ihre rasche Verbreitung treibt auch den Bedarf an Generative Engine Optimization (GEO) voran, da Inhaltsanbieter bestrebt sind, mehr Aufmerksamkeit durch sie zu erzielen. In diesem Artikel stellen wir AutoGEO vor, ein Framework, das automatisch die Präferenzen von Generativen Engines lernt, wenn diese abgerufene Inhalte zur Antwortgenerierung verwenden, und Webinhalte umschreibt, um mehr solcher Aufmerksamkeit zu erzielen. AutoGEO fordert zunächst fortschrittliche LLMs auf, die Präferenzen von Generativen Engines zu erklären und aussagekräftige Präferenzregeln aus diesen Erklärungen zu extrahieren. Anschließend werden diese Präferenzregeln als Kontextengineering für AutoGEO_API, ein prompt-basiertes GEO-System, und als regelbasierte Belohnungen zur Schulung von AutoGEO_Mini, einem kosteneffizienten GEO-Modell, verwendet. Experimente auf dem standardisierten GEO-Bench und zwei neu erstellten Benchmarks mit echten Benutzeranfragen demonstrieren die Wirksamkeit von AutoGEO bei der Steigerung der Inhaltsattraktivität unter Beibehaltung der Suchfunktionalität. Analysen bestätigen die Robustheit der gelernten Regeln und ihre Fähigkeit, einzigartige Präferenzen in verschiedenen Domänen zu erfassen, sowie die Fähigkeit der AutoGEO-Systeme, diese in die Inhaltsoptimierung einzubetten. Der Code ist unter https://github.com/cxcscmu/AutoGEO veröffentlicht.

English

By employing large language models (LLMs) to retrieve documents and generate natural language responses, Generative Engines, such as Google AI overview and ChatGPT, provide significantly enhanced user experiences and have rapidly become the new form of search. Their rapid adoption also drives the needs of Generative Engine Optimization (GEO), as content providers are eager to gain more traction from them. In this paper, we introduce AutoGEO, a framework to automatically learn generative engine preferences when using retrieved contents for response generation, and rewrite web contents for more such traction. AutoGEO first prompts frontier LLMs to explain generative engine preferences and extract meaningful preference rules from these explanations. Then it uses preference rules as context engineering for AutoGEO_API, a prompt-based GEO system, and as rule-based rewards to train AutoGEO_Mini, a cost-effective GEO model. Experiments on the standard GEO-Bench and two newly constructed benchmarks using real user queries demonstrate the effectiveness of AutoGEO in enhancing content traction while preserving search utility. Analyses confirm the learned rules' robustness and abilities to capture unique preferences in variant domains, and AutoGEO systems' ability to embed them in content optimization. The code is released at https://github.com/cxcscmu/AutoGEO.