Estudo · 2024 · KDD 2024 / manuscrito de autor
GEO: Generative Engine Optimization
Selecionado por Luis Da Silva
A pesquisa com IA altera o lugar onde um leitor encontra o conhecimento de uma empresa. Este estudo analisa como a apresentação de uma fonte influencia a sua utilização numa resposta gerada. Nos testes, acrescentar elementos verificáveis e melhorar a clareza aumentou frequentemente a visibilidade, com diferenças entre temas. A aplicação mais útil é tornar a informação compreensível e verificável: explicar pressupostos, identificar os especialistas responsáveis e ligar cada número relevante à sua origem. Os ganhos apresentados medem visibilidade experimental. Não demonstram mais visitas, pedidos comerciais ou melhorias duradouras nos produtos de pesquisa atuais.
Estudo e evidência
Experiências controladas de visibilidade das fontes, com um teste separado no Perplexity da época.
Como ler
Artigo com revisão por pares no KDD 2024. A cópia alojada é a versão arXiv v3, de 28 de junho de 2024. Os resultados dizem respeito a motores da época e fontes já recuperadas, não a tráfego atual, pedidos comerciais ou receitas.
Porque importa
Interpretação editorial nossa: O Luis pode ligar a comunicação da marca à informação de que um comprador precisa para avaliar projetos de longevidade e floresta. Duas aplicações úteis são uma explicação documentada da viabilidade de um projeto e um caso que distingue o trabalho da firma da experiência anterior de cada sócio.
Luis Da Silva, Sócio e Diretor de Marketing
Sobre o editor
Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan, Ameet Deshpande. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2024).
Útil para
Equipas de comunicação e conteúdo em longevidade e floresta. As aplicações setoriais são uma inferência nossa e exigem teste local.
Crédito e licença Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan, Ameet Deshpande. 2024. GEO: Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2024). arXiv:2311.09735v3, revised 2024-06-28. DOI: 10.1145/3637528.3671900. Author-version licence: CC BY 4.0, https://creativecommons.org/licenses/by/4.0/. Original study and licence: https://arxiv.org/abs/2311.09735v3. General Value supplies an original editorial summary. Manuscrito de autor arXiv v3, de 28 de junho de 2024, alojado sem alterações ao abrigo de CC BY 4.0; não é uma edição distinta composta pelo editor.
A investigação original pertence aos autores identificados. O resumo bilingue e a aplicação proposta são uma interpretação editorial da General Value, não resultados testados para a firma.