从引文选择到引文吸收：跨人工智能搜索平台的生成引擎优化的测量框架

生成搜索引擎越来越多地确定在线信息是否仅仅是可发现的、被引用为来源，还是实际上被吸收到生成的答案中。本文提出了生成引擎优化（GEO）的两阶段测量框架：引文选择（平台触发搜索并选择来源）和引文吸收（引用的页面为最终答案提供语言、证据、结构或事实支持）。我们分析了公共地理引文实验室数据集，涵盖 ChatGPT、Google AI Overview/Gemini 和 Perplexity 中的 602 个受控提示； 21,143 条有效搜索层引用； 23,745 条引用级特征记录； 18,151 个成功获取的页面；和 72 个提取的特征。中心描述性发现是引用宽度和引用深度存在差异。 Perplexity 和 Google 平均引用的来源较多，而 ChatGPT 引用的来源较少，但在所获取的页面中显示出较高的平均引用影响力。高影响力的页面往往更长、更结构化、语义一致，并且包含更丰富的可提取证据，例如定义、数字事实、比较和程序步骤。结果表明，GEO 的衡量应超越引用计数，并将答案水平的吸收视为单独的结果。