解码法学硕士：如何在生成式人工智能搜索结果中可见

一个新的流行语正在科技界掀起波澜，它有几个名字：大型语言模型优化（LLMO）、生成引擎优化(GEO) 或生成人工智能优化 (GAIO)。 

GEO 的核心是优化生成式 AI 应用程序在结果中呈现您的产品、品牌或网站内容的方式。为简单起见，我将在本文中将此概念称为 GEO。

我以前曾探索是否有可能塑造生成式人工智能系统的输出。那次讨论是我第一次涉足 GEO 主题。 

从那时起，这一领域迅速发展，新的生成式人工智能应用程序引起了人们的广泛关注。现在是更深入地研究这个迷人领域的时候了。

ChatGPT、Google AI Overviews、Microsoft Copilot 等平台困惑正在彻底改变用户搜索和消费信息的方式，并改变企业和品牌在人工智能生成的内容中获得可见性的方式。

快速免责声明：该领域尚不存在经过验证的方法。

它仍然太新了，让人想起早期的日子搜索引擎优化当搜索引擎排名因素未知时，进展依赖于测试、研究以及对信息检索和搜索引擎的深入技术理解。

了解生成式人工智能的前景

了解自然语言处理 (NLP) 和大语言模型（法学硕士）的功能在这个早期阶段至关重要。

扎实掌握这些技术对于识别 SEO、数字品牌建设和内容策略的未来潜力至关重要。

这里概述的方法基于我对科学文献、生成人工智能专利的研究以及十多年的语义搜索经验。

大型语言模型如何工作

LLM 的核心功能

在加入 GEO 之前，必须对法学硕士背后的技术有基本的了解。

就像搜索引擎一样，了解底层机制有助于避免追逐无效的黑客或错误的推荐。

花几个小时来掌握这些概念可以避免不必要的措施，从而节省资源。

是什么让法学硕士具有革命性

法学硕士，例如 GPT 模型、Claude 或 LLaMA，代表了搜索技术和生成人工智能的变革性飞跃。

它们改变了搜索引擎和人工智能助手处理和响应查询的方式，超越简单的文本匹配，提供细致入微、上下文丰富的答案。

根据 Microsoft 的“大型搜索模型：重新定义法学硕士时代的搜索堆栈”等研究，法学硕士在语言理解和推理方面表现出了卓越的能力，超越了简单的文本匹配，可以提供更细致的上下文响应。

搜索的核心功能

法学硕士在搜索领域的核心功能是处理查询并生成自然语言摘要。

这些模型不仅可以从现有文档中提取信息，还可以生成全面的答案，同时保持准确性和相关性。

这是通过一个统一的框架来实现的，该框架将所有（与搜索相关的）任务视为文本生成问题。

这种方法特别强大的原因在于它能够通过自然语言提示定制答案。系统首先生成一组初始查询结果，LLM 会对其进行细化和改进。 

如果需要其他信息，法学硕士可以生成补充查询来收集更全面的数据。

编码和解码的底层过程是其功能的关键。 

编码过程

编码涉及将训练数据处理和构建为标记，这是语言模型使用的基本单位。 

令牌可以代表单词、n-gram、实体、图像、视频或整个文档，具体取决于应用程序。 

然而，值得注意的是，法学硕士并不是人类意义上的“理解”——他们以统计方式处理数据，而不是理解数据。

将标记转换为向量

下一步，标记将转换为向量，形成 Google Transformer 技术和基于 Transformer 的语言模型的基础。 

这一突破改变了人工智能领域的游戏规则，也是当今人工智能模型广泛采用的关键因素。

向量是标记的数字表示，其中的数字捕获描述每个标记属性的特定属性。 

这些属性允许向量在语义空间内进行分类并与其他向量相关，这一过程称为嵌入。

然后可以使用以下方法来测量向量之间的语义相似性和关系余弦相似度或欧几里得距离。

解码过程

解码是关于解释模型为每个可能的下一个标记（单词或符号）计算的概率。

目标是创建最合理或最自然的序列。解码时可以使用不同的方法，例如top K采样或top P采样。

可能会使用概率分数来评估后续单词。根据模型的“创意范围”有多高，前 K 个单词被视为可能的下一个单词。 

在具有更广泛解释的模型中，除了 Top 1 概率之外，还可以考虑以下单词，从而在输出中更具创意。

这也解释了同一提示可能出现不同结果的原因。使用“严格”设计的模型，您总是会得到相似的结果。

超越文本：生成人工智能的多媒体功能

生成人工智能中的编码和解码过程依赖于自然语言处理。 

通过使用 NLP，可以扩展上下文窗口以考虑语法句子结构，从而能够在自然语言理解过程中识别主要和次要实体。

生成式人工智能不仅限于文本，还包括音频等多媒体格式，有时还包括视觉效果。

然而，这些格式通常在编码过程中转换为文本标记以进行进一步处理。（本讨论重点是基于文本的生成人工智能，这与 GEO 应用最相关。）

深入挖掘：如何通过生成引擎优化获胜，同时保持 SEO 顶级

生成人工智能的挑战和进步

生成式人工智能的主要挑战包括确保信息保持最新、避免幻觉以及提供有关特定主题的详细见解。

基础法学硕士通常接受肤浅信息的培训，这可能导致对特定查询的回答笼统或不准确。

为了解决这个问题，检索增强生成已成为一种广泛使用的方法。 

检索增强生成：信息挑战的解决方案

RAG 为法学硕士提供额外的特定主题数据，帮助他们更有效地克服这些挑战。

除了文档之外，还可以使用知识图或转换为向量的实体节点来集成特定于主题的信息。 

这使得能够包含有关实体之间关系的本体信息，从而更接近真正的语义理解。

RAG 为 GEO 提供了潜在的起点。虽然确定或影响初始训练数据中的来源可能具有挑战性，但 GEO 允许更有针对性地关注首选的特定主题来源。 

关键问题是不同的平台如何选择这些来源，这取决于它们的应用程序是否能够访问能够根据相关性和质量评估和选择来源的检索系统。

检索模型的关键作用

检索模型充当信息看门人，在 RAG 架构中发挥着至关重要的作用。 

他们通过搜索大型数据集来识别文本生成的相关信息，就像专门的图书馆员一样，他们确切地知道要检索给定主题的哪些“书籍”。 

这些模型使用算法来评估和选择最相关的数据，从而能够将外部知识集成到文本生成中。这增强了上下文丰富的语言输出并扩展了传统语言模型的功能。

检索系统可以通过各种机制来实现，包括：

• 矢量嵌入和矢量搜索。
• 使用 BM25 和 TF-IDF 等技术的文档索引数据库。 

主要AI平台的检索方法

并非所有系统都可以访问此类检索系统，这给 RAG 带来了挑战。 

这种限制可以解释为什么 Meta 现在正在开发自己的搜索引擎，这将允许它使用专有的检索系统在其 LLaMA 模型中利用 RAG。

Perplexity 声称使用自己的索引和排名系统，尽管有人指责它从谷歌等其他引擎抓取或复制搜索结果。

Claude 的方法尚不清楚是否将 RAG 与其自己的索引和用户提供的信息一起使用。

Gemini、Copilot 和 ChatGPT 略有不同。Microsoft 和 Google 利用自己的搜索引擎进行 RAG 或特定领域的培训。 

ChatGPT 历史上一直使用 Bing 搜索，但随着 SearchGPT 的推出，不确定 OpenAI 是否运行自己的检索系统。开放人工智能

已声明SearchGPT 采用了多种搜索引擎技术，包括 Microsoft Bing。– 搜索模型是 GPT-4o 的微调版本，使用新颖的合成数据生成技术进行后训练，包括从 OpenAI o1-preview 中提取输出。

ChatGPT 搜索利用第三方搜索提供商以及我们的合作伙伴直接提供的内容来提供用户正在寻找的信息。 

Microsoft 是 ChatGPT 的合作伙伴之一。 

当 ChatGPT 被问到最好的跑鞋时，Bing 搜索结果中排名靠前的页面与其答案中使用的来源之间存在一些重叠，尽管重叠率明显低于 100%。

评估检索增强生成过程

其他因素可能会影响 RAG 管道的评估。

• 忠诚：衡量生成的答案与给定上下文的事实一致性。
• 回答相关性：评估生成的答案与给定提示的相关程度。
• 上下文精度：评估上下文中的相关项目是否排名适当，得分为 0-1。
• 方面批评：根据预定义的方面（例如无害性和正确性）评估提交内容，并能够定义自定义评估标准。
• 接地气：衡量答案与源信息的一致性以及可验证性，确保声明得到上下文的证实。
• 来源参考：拥有原始来源的引用和链接可以进行验证并有助于识别检索问题。
• 分布及覆盖范围：通过受控抽样确保不同源文档和部分的均衡代表性。
• 正确性/事实准确性：生成的内容是否包含准确的事实。
• 平均精度 (MAP)：评估多个查询的检索总体精度，同时考虑精度和文档排名。它计算每个查询的平均精度分数的平均值，其中精度是在排名结果中的每个位置计算的。MAP 越高表示检索性能越好，相关文档在搜索结果中出现的位置越高。
• 平均倒数排名 (MRR)：衡量第一个相关文档出现在搜索结果中的速度。它的计算方法是取每个查询的第一个相关文档的排名位置的倒数，然后对所有查询的这些值进行平均。例如，如果第一个相关文档出现在位置 4，则倒数排名将为 1/4。当第一个正确结果的位置最重要时，MRR 特别有用。
• 独立品质：评估内容的上下文独立性和独立性，评分为 1-5，其中 5 表示内容本身完全有意义，不需要额外的上下文。

提示与查询

提示比典型的搜索查询更复杂并且更符合自然语言，典型的搜索查询通常只是一系列关键术语。 

提示通常由明确的问题或连贯的句子构成，提供更多的上下文并提供更准确的答案。

区分 AI 概述优化和 AI 助理结果优化非常重要。 

• AI Overviews 是 Google SERP 的一项功能，通常由搜索查询触发。
• 而人工智能助手则依赖于更复杂的自然语言提示。 

为了弥补这一差距，RAG 流程必须在后台将提示转换为搜索查询，保留关键上下文以有效识别合适的来源。

GEO的目标和战略

GEO 的目标在讨论中并不总是明确定义。 

有些人专注于在引用的源链接中引用自己的内容，而另一些人的目标是在生成人工智能的输出中直接提及他们的名称、品牌或产品。

这两个目标都是有效的，但需要不同的策略。 

• 在源链接中引用涉及确保您的内容被引用。
• 而人工智能输出中的提及依赖于增加实体（无论是个人、组织还是产品）被包含在相关上下文中的可能性。

实现这两个目标的基本步骤是在首选或经常选择的来源中建立存在，因为这是实现任一目标的先决条件。

我们需要关注所有法学硕士吗？

人工智能应用程序的不同结果表明，每个平台都使用自己的流程和标准来推荐命名实体和选择来源。

未来，可能需要使用多种大型语言模型或人工智能助手并了解它们的独特功能。对于习惯了 Google 主导地位的 SEO 来说，这需要进行调整。 

未来几年，监控哪些应用程序在特定市场和行业中获得关注并了解每个应用程序如何选择其来源将至关重要。

为什么生成人工智能会引用某些人、品牌或产品？

未来几年，更多的人将依靠人工智能应用程序来搜索产品和服务。

例如，类似这样的提示：

• – 我今年 47 岁，体重 95 公斤，身高 180 厘米。我每周跑步3次，每次6到8公里。最适合我的慢跑鞋是什么？

该提示提供了关键的上下文信息，包括年龄、体重、身高和距离作为属性，以慢跑鞋作为主要实体。

经常与此类背景相关的产品更有可能被生成人工智能提及。 

Gemini、Copilot、ChatGPT 和 Perplexity 等测试平台可以揭示这些系统考虑的上下文。

根据引用来源的标题，所有四个系统似乎都是从我超重的属性中推断出来的，从标题如下的帖子中生成信息：

• 最适合大重量跑步者的跑鞋（2024 年 8 月）
• 2024 年 7 款最适合大体重男士的跑鞋
• 2024 年适合大体重男士的最佳跑鞋
• 最适合重型女性跑步者的跑鞋 
• 2024 年 7 款最佳长跑鞋

副驾驶 

副驾驶会考虑年龄和体重等属性。 

根据引用的来源，它从此信息中识别出超重上下文。 

所有引用的来源都是信息内容，例如测试、评论和列表，而不是电子商务类别或产品详细信息页面。

聊天GPT

ChatGPT 考虑了距离和重量等属性。从引用的来源中，它得出了超重和远距离的上下文。 

所有引用的来源都是信息内容，例如测试、评论和清单，而不是典型的商店页面，例如类别或产品详细信息页面。

困惑

Perplexity 考虑权重属性并从引用的来源中得出超重上下文。 

来源包括信息内容，例如测试、评论、列表和典型商店页面。

双子座

Gemini 不直接在输出中提供源。然而，进一步的研究表明它还处理年龄和体重的背景。

每个主要的法学硕士都会列出不同的产品，只有一款鞋被所有四个经过测试的人工智能系统一致推荐。

所有系统都表现出一定程度的创造力，在不同的会话中建议不同的产品。 

值得注意的是，Copilot、Perplexity 和 ChatGPT 主要引用非商业来源，例如商店网站或产品详细信息页面，与提示的目的保持一致。

克劳德没有接受进一步的测试。虽然它也建议鞋款，但其建议仅基于初始训练数据，无法访问实时数据或自己的检索系统。

从不同的结果中可以看出，每个法学硕士都有自己的选择来源和内容的流程，这使得 GEO 的挑战更大。 

这些建议受到同时出现、共同提及和上下文的影响。 

一起提及的特定标记越频繁，它们就越有可能与上下文相关。

简单来说，这增加了解码期间的概率得分。

深入挖掘：如何获得生成式 AI 答案的可见性：GEO for Perplexity 和 ChatGPT

检索增强生成的来源和信息选择

GEO 专注于在法学硕士的培训数据中定位产品、品牌和内容。了解法学硕士的培训过程对于识别潜在的包容机会至关重要。

以下见解来自研究、专利、科学文献、E-E-A-T 研究和个人分析。中心问题是：

• 检索系统在RAG过程中的影响有多大。
• 初始训练数据有多重要。
• 还有哪些其他因素可以发挥作用。

最近的研究，特别是关于人工智能概述、困惑和副驾驶的来源选择，表明所选来源存在重叠。 

例如，Google AI 概述显示来源选择大约有 50% 的重叠，这一点由以下研究证明：里奇·桑格和权威和冲浪者。波动幅度非常大。

2024 年初以来的研究重叠率仍约为 15%。然而，一些研究发现 99% 的重叠。

检索系统似乎影响了大约 50% 的 AI 概述结果，这表明正在进行的实验以提高性能。这与对人工智能概述输出质量的合理批评是一致的。

人工智能答案中参考来源的选择凸显了以适合上下文的方式定位品牌或产品的好处。 

区分模型初始训练期间使用的源和 RAG 过程中根据特定主题添加的源非常重要。

检查模型训练过程可以让我们更加清晰。例如，Google 的 Gemini（一种多模式大型语言模型）可以处理多种数据类型，包括文本、图像、音频、视频和代码。 

其训练数据包括网络文档、书籍、代码和多媒体，使其能够有效地执行复杂的任务。

对人工智能概述及其最常引用的来源的研究可以深入了解谷歌在预训练期间将哪些来源用于其索引和知识图谱，从而提供了调整内容以纳入内容的机会。

在 RAG 流程中，会合并特定领域的来源以增强上下文相关性。

Gemini 的一个关键特性是它使用专家混合 (MoE) 架构。 

与作为单个大型神经网络运行的传统 Transformer 不同，MoE 模型分为较小的“专家”网络。 

该模型根据输入类型有选择地激活最相关的专家路径，从而显着提高效率和性能。 

RAG 流程可能已集成到该架构中。

Gemini 是由 Google 通过多个训练阶段开发的，利用公开数据和专门技术来最大限度地提高其生成内容的相关性和准确性：

预训练

• 与其他大型语言模型（LLM）类似，Gemini 首先在各种公共数据源上进行预训练。Google 应用各种过滤器来确保数据质量并避免有问题的内容。
• 培训考虑灵活选择可能的单词，从而提供更具创造性和更适合上下文的响应。

有监督微调（SFT）

• 预训练后，使用专家创建或模型生成的高质量示例对模型进行优化，然后由专家审核。
• 这个过程类似于通过查看写得好的文本示例来学习良好的文本结构和内容。

根据人类反馈进行强化学习 (RLHF)

• 该模型是根据人类评估进一步开发的。基于用户偏好的奖励模型有助于 Gemini 识别和学习偏好的响应方式和内容。

扩展和检索增强

• Gemini 可以搜索外部数据源，例如 Google 搜索、地图、YouTube 或特定扩展程序，以提供有关响应的上下文信息。
• 例如，当被问及当前的天气状况或新闻时，Gemini 可以直接访问 Google 搜索来查找及时、可靠的数据并将其纳入响应中。
• Gemini 执行搜索结果过滤，以选择与答案最相关的信息。该模型会考虑查询的上下文并过滤数据，使其尽可能贴近问题。
  • 一个例子是复杂的技术问题，其中模型选择本质上是科学或技术的结果，而不是使用一般的网络内容。 
  • Gemini 将从外部来源检索的信息与模型输出相结合。
  • 此过程涉及创建优化的草案响应，该响应利用模型的先验知识和检索到的数据源中的信息。
• 该模型构建答案，以便将信息逻辑地组合在一起并以可读的方式呈现。
  • 每个答案都会经过额外的审核，以确保其符合 Google 的质量标准，并且不包含有问题或不当的内容。
  • 此安全检查辅以有利于最佳质量版本的答案的排名。然后，该模型会向用户呈现排名最高的答案。

用户反馈和持续优化

• 谷歌不断整合用户和专家的反馈来调整模型并修复任何弱点。

一种可能性是人工智能应用程序访问现有的检索系统并使用其搜索结果。 

研究表明，在各自搜索引擎中的强大排名会增加被引用为互联人工智能应用程序来源的可能性。 

然而，正如所指出的，重叠尚未显示出最高排名和参考来源之间的明确相关性。

另一个标准似乎会影响来源选择。 

例如，Google 的方法强调在选择预训练和 RAG 来源时遵守质量标准。 

分类器的使用也被提到作为此过程中的一个因素。

在命名分类器时，可以建立一个到E-E-A-T的桥梁，其中也使用质量分类器。

来自 Google 的有关培训后的信息还引用了使用 E-E-A-T 根据质量对源进行分类。

对评估者的提及与质量评估者在评估 E-E-A-T 中的作用有关。

大多数搜索引擎中的排名受到文档、领域和作者或源实体级别的相关性和质量的影响。

可以较少地选择源以考虑相关性，而更多地考虑域和源实体级别的质量。

这也是有意义的，因为必须在后台重写更复杂的提示，以便创建适当的搜索查询来查询排名。 

虽然相关性取决于查询，但质量保持一致。

这种区别有助于解释排名与生成人工智能引用的来源之间的弱相关性，以及为什么有时会包含排名较低的来源。

为了评估质量，Google 和 Bing 等搜索引擎依赖于分类器，包括 Google 的 E-E-A-T 框架。 

谷歌强调，E-E-A-T 因主题领域而异，需要针对特定​​主题的策略，特别是在 GEO 策略中。

据一位人士称，引用的域名来源因行业或主题而异，维基百科、Reddit 和亚马逊等平台扮演着不同的角色。BrightEdge 研究。

因此，必须将行业和主题特定因素纳入定位策略。

深入挖掘：如何实施生成式引擎优化 (GEO) 策略

LLMO / GEO 的战术和战略方法

如前所述，目前还没有经过证实的成功案例可以影响生成式人工智能的结果。 

平台运营商本身似乎不确定如何验证 RAG 流程中选择的来源。

这些要点强调了确定优化工作应重点关注的重要性 - 具体来说，确定哪些来源足够值得信赖并且与优先级相关。

下一个挑战是了解如何使自己成为这些来源之一。

研究论文 –GEO：生成引擎优化– 引入了 GEO 的概念，探索如何影响生成式 AI 输出并确定造成影响的因素。

研究表明，GEO的可见性和有效性可以通过以下因素来增强：

• 书面授权：提高表现，特别是在历史背景下的辩论问题和疑问上，因为更有说服力的写作可能在类似辩论的背景下更有价值。
• 引文（引用来源）：对于事实性问题特别有利，因为它们为所呈现的事实提供了验证来源，从而提高了答案的可信度。
• 统计加法：在法律、政府和舆论等领域特别有效，将相关统计数据纳入网页内容可以提高特定背景下的可见性。
• 报价添加：在人与社会、解释和历史等领域最具影响力，可能是因为这些主题通常涉及个人叙述或历史事件，直接引用增加了真实性和深度。

这些因素的有效性因领域而异，这表明将特定领域的、有针对性的定制合并到网页中对于提高可见性至关重要。

以下战术DOSGEO 和 LLMO 可以从论文中得出：

• 使用可引用的来源：将可引用的来源纳入您的内容中，以提高可信度和真实性，尤其是事实来源 
• 插入统计数据：添加相关统计数据以加强您的论点，尤其是在法律和政府以及意见问题等领域。
• 添加引号：使用引用来丰富人物与社会、解释和历史等领域的内容，因为它们增加了真实性和深度。
• 特定领域的优化：优化时请考虑您所在领域的具体情况，因为 GEO 方法的有效性因领域而异。
• 注重内容质量：专注于创建高质量、相关且信息丰富的内容，为用户提供价值。

此外，战术不该做的事还可以识别：

• 避免关键词堆砌：传统的关键字填充在生成搜索引擎响应方面几乎没有任何改善，应该避免。
• 不要忽视上下文：避免生成与主题无关或不为用户提供任何附加值的内容。
• 不要忽视用户意图：不要忽视搜索查询背后的意图。确保您的内容确实回答了用户的问题。

BrightEdge 根据上述研究概述了以下战略考虑因素：

反向链接和同被引的不同影响

• 人工智能概述和困惑有利于不同的领域集，具体取决于行业。 
• 在医疗保健和教育领域，这两个平台都优先考虑可信赖的来源，例如 mayoclinic.org 和 coursera.com，使这些或类似的域成为有效 SEO 策略的关键目标。 
• 相反，在电子商务和金融等领域，Perplexity 显示出对 reddit.com、yahoo.com 和 marketwatch.com 等域名的偏好。 
• 通过利用反向链接和共同引用来根据这些偏好定制 SEO 工作可以显着提高性能。

为人工智能驱动的搜索量身定制策略

• 人工智能驱动的搜索方法必须针对每个行业进行定制。 
• 例如，Perplexity 对 reddit.com 的偏好强调了社区洞察在电子商务中的重要性，而 AI Overviews 则倾向于消费者报告和 quora.com 等成熟的评论和问答网站。 
• 营销人员和搜索引擎优化人员应该通过创建详细的产品评论或培育问答论坛来支持电子商务品牌，从而使他们的内容策略与这些趋势保持一致。

预测引文格局的变化

• SEO 必须密切监控 Perplexity 的首选领域，尤其是该平台对 reddit.com 社区驱动内容的依赖。 
• Google 与 Reddit 的合作可能会影响 Perplexity 的算法，以进一步优先考虑 Reddit 的内容。这一趋势表明人们越来越重视用户生成的内容。 
• SEO 应保持主动性和适应性，完善策略以适应 Perplexity 不断变化的引用偏好，以保持相关性和有效性。

以下是 GEO 针对特定行业的战术和战略措施。

B2B技术

• 在权威技术领域建立影响力，特别是 techtarget.com、ibm.com、microsoft.com 和 cloudflare.com，这些领域均被两个平台视为可信来源。
• 利用这些已建立的平台上的内容联合，更快地被引用为可信来源。
• 从长远来看，通过高质量的内容建立您自己的域名权威，因为联合广告位的竞争将会加剧。
• 与领先的技术平台建立合作伙伴关系并积极贡献内容。
• 通过证书、认证和专家意见展示专业知识，以表明值得信赖。

电子商务

• 由于 Perplexity 的平台被广泛用作来源，因此在亚马逊上建立了强大的影响力。
• 在亚马逊和其他相关平台上积极推广产品评论和用户生成的内容。
• 通过已建立的经销商平台和比较网站分发产品信息
• 联合内容并与受信任的域合作。
• 在所有销售平台上维护详细且最新的产品描述。
• 参与相关的专业门户和社区平台，例如 Reddit。
• 追求依赖外部平台和您自己的域权限的平衡营销策略。

继续教育

• 建立值得信赖的来源并与 coursera.org、usnews.com 和 bestcolleges.com 等权威域合作，因为这两个系统都认为这些来源相关。
• 创建人工智能系统认为值得信赖的最新、高质量内容。内容应结构清晰并有专业知识的支持。
• 随着社区驱动的内容变得越来越重要，在 Reddit 等相关平台上建立积极的影响力。
• 通过清晰的结构、清晰的标题和对常见用户问题的简洁回答，优化您自己的 AI 系统内容。
• 明确强调认证和认可等质量特征，因为它们可以提高可信度。

金融

• 在 yahoo.com 和 marketwatch.com 等值得信赖的金融门户网站上建立影响力，因为这些是 AI 系统的首选来源。
• 在雅虎财经等领先平台上维护最新且准确的公司信息。
• 创建高质量、真实正确的内容，并通过引用公认的来源来支持它。
• 随着 Reddit 作为人工智能系统来源的吸引力，在相关 Reddit 社区中建立积极的影响力。
• 与成熟的财经媒体建立合作伙伴关系，以提高您自己的知名度和可信度。
• 通过专业知识、认证和专家意见展示专业知识。

健康

• 链接和引用内容到可信来源，例如 mayoclinic.org、nih.gov 和 medlineplus.gov。
• 将当前的医学研究和趋势纳入内容。
• 提供由官方机构支持的全面且经过深入研究的医疗信息。
• 通过认证和资格来信赖信誉和专业知识。
• 根据新的医学发现定期更新内容。
• 追求平衡的内容策略，既建立自己的领域权威，又利用现有的医疗保健平台。

保险

• 使用值得信赖的来源：将内容放在 forbes.com 和官方政府网站 (.gov) 等公认的域上，因为人工智能搜索引擎认为这些域特别可信。
• 提供最新且准确的信息：保险信息必须始终是最新且真实正确的。这尤其适用于产品和服务描述。
• 内容联合组织：在福布斯等权威平台或公认的专业门户网站上发布内容，以便更快地被引用为值得信赖的来源。
• 强调本地相关性：内容应适应区域市场并考虑当地保险法规。

餐厅

• 在 Yelp、TripAdvisor、OpenTable 和 GrubHub 等主要评论平台上建立并保持强大的影响力。
• 积极宣传并收集客人的正面评分和评论。
• 提供这些平台上完整且最新的信息（菜单、开放时间、照片等）。
• 与美食社区和专业美食平台（例如 Eater.com）互动。
• 执行本地 SEO 优化，因为人工智能搜索非常重视本地相关性。
• 创建和更新全面且维护良好的维基百科条目。
• 通过相关平台提供无缝的在线预订流程。
• 在各种渠道上提供有关餐厅的优质内容。

旅游/旅游

• 优化在 TripAdvisor、Expedia、Kayak、Hotels.com 和 Booking.com 等主要旅游平台上的展示，因为这些平台被人工智能搜索引擎视为值得信赖的来源。
• 创建包含旅行指南、提示和真实评论的综合内容。
• 优化预订流程，使其更加人性化。
• 执行本地搜索引擎优化，因为人工智能搜索通常是基于位置的。
• 积极参与相关平台并鼓励评论。
• 为用户提供具有附加值的高质量内容。
• 与受信任的领域和合作伙伴协作。

GEO 的未来及其对品牌的意义

GEO 对公司的重要性取决于后代是否会调整他们的搜索行为并从 Google 转向其他平台。 

该领域的新兴趋势在未来几年应该会变得明显，并可能影响搜索市场份额。

例如，ChatGPT 搜索在很大程度上依赖于 Microsoft Bing 的搜索技术。 

如果 ChatGPT 确立自己作为占主导地位的生成式 AI 应用程序的地位，那么在 Microsoft Bing 上的良好排名对于旨在影响 AI 驱动应用程序的公司来说可能变得至关重要。 

这一发展可能为微软必应提供间接获得市场份额的机会。

LLMO 或 GEO 是否会演变成指导法学硕士实现特定目标的可行策略仍不确定。 

然而，如果确实如此，实现以下目标将至关重要：

• 通过 E-E-A-T 原则建立自有媒体作为 LLM 培训数据的来源。
• 在知名媒体上提及该品牌及其产品。
• 创建品牌与权威媒体中相关实体和属性的共现。
• 制作排名靠前并在 RAG 流程中得到考虑的高质量内容。
• 确保包含在已建立的图形数据库中，例如知识图或购物图。

LLM 优化的成功与市场规模相关。在利基市场中，由于竞争减少，更容易在其主题背景下定位品牌。 

将品牌与法学硕士中的相关属性和实体联系起来需要更少的合格媒体共现。 

相反，在较大的市场中，实现这一目标更具挑战性，因为竞争对手通常拥有广泛的公关和营销资源以及完善的影响力。

实施 GEO 或 LLMO 需要比传统 SEO 更多的资源，因为它涉及大规模影响公众的看法。

公司必须为这些转变做好战略准备，这就是像这样的框架的地方数字权限管理发挥作用。这一概念有助于组织在结构和运营上进行调整，以在人工智能驱动的未来取得成功。

未来，大品牌凭借其优越的公关和营销资源，很可能在搜索引擎排名和生成人工智能输出方面占据显着优势。

然而，传统的搜索引擎优化仍然可以通过利用高排名内容在培养法学硕士方面发挥作用。

这种影响的程度取决于检索系统在训练过程中如何权衡内容。

最终，公司应优先考虑其品牌/产品与相关属性和实体的共现，同时在合格媒体中优化这些关系。

深入挖掘：塑造搜索未来的 5 个 GEO 趋势