新論文：GEO-SFE — コンテンツ構造が AI 引用挙動をどう変えるか

最新の論文 「Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior」 を arXiv に公開 しました。お客様のプロジェクトで何度も突き当たってきた問いに、ようやく 正面から答えた一本です ―― AI 回答エンジンがどのページを引用するかを 決めるとき、その判断は意味よりも構造に支配されているのではないか？

→ 論文全文を読む（PDF）  ·  arXiv 概要ページ

解こうとしている課題

既存の GEO 研究の大半は 意味（セマンティクス） の書き換えに焦点を当てて います。一方で本番運用していると、ほぼ同じ主張をしている 2 ページのうち ChatGPT / Perplexity / Gemini が一方ばかりを引用し、もう一方を無視する、 という現象に何度も遭遇しました。違いはメッセージではなく、その周囲の 足場（構造） にあります。GEO-SFE はこの足場を測定可能・制御可能に することを目指したフレームワークです。

GEO-SFE のコンセプト

ページ構造を 3 つの階層に分解し、それぞれが各生成エンジンアーキテクチャの 引用確率にどう影響するかをモデル化します。

• マクロ構造 — ドキュメント全体の設計（セクション分割、見出し階層、 論述順序）
• メソ構造 — 情報のチャンク化（段落の粒度、リストの使い方、事実の 配置、コールアウト）
• マイクロ構造 — 視覚的強調（太字、インラインハイライト、レンダリング 後にも残るタイポグラフィの手掛かり）

これらの上に「アーキテクチャを意識した最適化戦略」と予測モデルを構築し、 意味を保ったままエンジンが反応する構造書き換えを実現します。

検証結果

主要 6 つの生成エンジンで評価し、いずれにおいても一貫した改善を 確認しました。

• +17.3% 引用率
• +18.5% 主観的な回答品質

特定モデルの癖に過剰適合するのではなく、エンジン横断で効果が出る ―― これが 私たちが最も重視していた結果です。構造的な影響が「個別チューニング」では なく「汎化する原理」として扱えることを示唆しています。

著者

• Junwei Yu
• Mufeng Yang
• Yepeng Ding
• Hiroyuki Sato

VeReach の GEO プログラムに連なる研究コラボレーションとして実施しました。 自社コンテンツへの GEO-SFE の適用を検討したい場合は、 お問い合わせください。

プロダクトへの反映

GEO-SFE は単体ツールではなく、VeReach GEO の「書き換えて再計測する」ループ の内側に組み込みます。今後は構造診断と構造リライト提案が、セマンティック 側のシグナルと同じ一級市民として表示され、PIRR / PRP / CCD のスコアリングで 同じループを回します。

詳細な手法、アーキテクチャ別の最適化戦略、エンジン別の内訳については 論文をご参照ください ―― arxiv.org/abs/2603.29979.