[控场AI]
· 4 分钟阅读· 2,104 字

GEOHunter揭秘:生成引擎优化网络如何操控AI答案

GEOHunter揭秘:生成引擎优化网络如何操控AI答案

研究揭示付费GEO网络通过UGC平台大规模植入内容,显著影响多个生成引擎的答案。

GEOHunter研究测量了一个付费生成引擎优化(GEO)网络在三个中国主流UGC平台上的活动,发现其关联1985个账号、推断出466357个推广位置,并在九个生成引擎中成功影响了答案。该网络通过发布推广文章,使内容被生成引擎检索并整合到答案中。测试显示,4.5%到20%的可检索引用页面可归因于该网络,八个引擎上其客户在52%的答案中被提及,接近类别领导者的68%。研究指出内容级防御不足,需要账号级和平台级信号才能有效识别和遏制此类协同投放。

生成式AI正在改变信息获取方式,但一项新研究揭示,付费的生成引擎优化(GEO)服务正通过UGC平台大规模植入推广内容,显著影响AI答案的生成。据论文《GEOHunter: Mapping a Generative Engine Optimization Network in the Wild》,研究团队测量了一个付费内容运营网络在三个中国主流UGC平台上的活动,发现该网络关联1,985个账号,推断出466,357个推广位置,并在九个生成引擎中成功影响了答案。

rss source: GEOHunter: Mapping a Generative Engine Optimization Network in the Wild

GEO网络如何运作?

GEO服务通过向付费客户提供在生成引擎答案中的可见性来盈利。具体做法是在用户生成内容(UGC)平台上发布推广文章,这些文章被生成引擎检索并整合到答案中。研究显示,该网络通过不断增长的账号池推广各类产品,策划跨平台、持续数月的协同活动,并随时间演化其清单体(listicle)内容。

这种操作在医疗和金融领域尤其令人担忧,因为误导性建议可能造成实际伤害。研究团队发现,该网络推广的产品类别多样,且内容形式不断变化以规避检测。

生成引擎优化(GEO) 是传统搜索引擎优化(SEO)在生成式AI时代的延伸。SEO的目标是让网页在搜索结果列表中排名靠前,而GEO的目标是让推广内容被大语言模型(LLM)驱动的生成引擎(如ChatGPT、Perplexity、文心一言等)在合成答案时检索、引用并呈现。生成引擎通常依赖检索增强生成(RAG)机制:先从索引或实时搜索结果中召回相关页面,再由模型整合成自然语言回答。因此,GEO的核心策略是生产易于被检索系统抓取、且语义上看似权威或全面的内容(如清单体、测评、对比文章),从而提高被召回并写入答案的概率。与SEO相比,GEO更强调内容的“可引用性”和“答案友好性”,而非单纯的关键词排名。

用户生成内容(UGC)平台 指以用户自发创作和分享内容为主的网站或应用,如知乎、小红书、贴吧、Quora等。这类平台的内容量大、审核相对宽松、账号注册成本低,且常被生成引擎视为多样化的信息来源。对GEO运营者而言,UGC平台提供了低成本、可批量操作且看似中立的发布渠道:通过大量普通账号发布推广文章,可以模拟真实用户口碑,降低被识别为广告的风险。

对生成引擎的影响有多大?

研究团队在来自美国和中国的九个生成引擎上进行了测试,发现4.5%到20%的可检索引用页面可归因于该网络,具体比例取决于归因的严格程度。在八个引擎上,其客户在52%的答案中被提及,而类别领导者的提及率为68%。这表明UGC GEO投放对生成引擎结果具有显著影响力。

说个细节,该网络在八个引擎上的客户提及率与类别领导者相差不大,说明付费推广内容已能有效左右AI答案中的品牌可见性。

归因(Attribution) 在此类研究中指将生成引擎答案中的引用或提及追溯至特定推广网络的过程。归因的严格程度不同,得到的比例会有差异:严格归因可能要求答案直接引用该网络控制的页面URL或精确匹配推广文案;宽松归因则可能只要求答案提及相关产品、品牌或与推广内容语义高度相似。因此,4.5%到20%的区间反映的是在不同判定标准下,该网络对可检索引用页面的贡献占比。归因分析是衡量GEO投放实际效果的关键方法,但也面临混淆因素,例如自然用户讨论与付费推广内容可能难以完全区分。

类别领导者(Category Leader) 指在某一产品类别中市场份额、品牌认知度或自然提及率最高的主导品牌。研究中将其作为基准,用来衡量付费GEO网络客户在AI答案中的可见性水平。客户提及率52%与类别领导者68%的对比说明,付费推广已能将非领导品牌提升到接近行业头部的曝光水平,凸显了GEO对生成引擎答案的实质性影响。

防御难点:内容级防御不足

研究指出,内容级防御不足以对抗协同的UGC投放,需要账号级和平台级信号才能有效防御。这是因为该网络通过大量账号发布看似独立的内容,单靠内容分析难以识别其协同性。

这一发现对平台和监管者提出了挑战:如何在不侵犯正常用户表达的前提下,识别并遏制有组织的付费推广网络。研究团队认为,结合账号行为模式和平台间数据共享可能是更有效的方向。

多源验证与共识

该研究通过多平台数据交叉验证,确认了该网络的跨平台存在。虽然不同引擎的归因比例存在差异,但整体趋势一致:GEO投放对生成引擎答案有实质性影响。这一结论得到多个独立数据源的支撑,增强了其可信度。

结论

GEOHunter研究揭示了GEO网络在UGC平台上的大规模运作及其对生成引擎的显著影响。内容级防御的不足要求平台和监管者采取更全面的账号级和平台级措施。随着生成引擎的普及,此类问题可能愈发突出,需要持续关注和研究。

#GEO#生成引擎优化#UGC平台#AI答案操控#内容防御#生成引擎
分享:

相关推荐