生产LLM的引用由什么驱动？对万余网页和200万次AI引用的观察性研究

生产型大语言模型在生成答案的同时检索和引用网页，但预测引用频率的页面级特征仍然没有得到很好的描述。我们提出了一项观察性研究，涉及六个月内来自四个商业引擎（ChatGPT、Claude、Google AI、Gemini）的约 200 万条 LLM 引用，并加入了来自 19 个 B2B SaaS 工作区的 10,000 个爬网页面。使用九种方法的共识框架测试了六十多个特征，该框架将混合效应回归与域固定效应、FDR 校正、稳定性选择套索、双机器学习、广义加性模型和时间保留复制相结合。有四项调查结果通过了所有检查。首先，提示内容对齐（页面标记和整个工作区提示语料库之间的 Jaccard 重叠，包括非引用提示）是主要的页面级预测因子（beta = +0.37，95% CI [+0.33，+0.41]，q ~ 10^-73）。其次，标准 AEO 检查表（常见问题解答块、结构化数据、核心网络生命力）显示了汇总数据的积极影响，一旦应用域固定效应，这些积极影响就会逆转或崩溃到零：辛普森悖论对 AEO 文献的实际影响。第三，领域级人工智能权威的平均绝对SHAP值比最强的非对齐页面级特征高出六倍。我们发布分析管道作为方法论的贡献。