RESEARCH｜GEO-SFE
AI 引用谁，结构比语义更关键。
GEO-SFE 把页面“结构”拆解为可测量、可控制的特征，在不改变内容主张的前提下提升生成式引擎的引用。在 6 个主要生成式引擎上，引用率提升 +17.3%，主观回答质量提升 +18.5%。
研究结果
- 引用率
- +17.3%
- 主观回答质量
- +18.5%
- 评估的主要生成式引擎
- 6
数值为论文实验条件下的结果，并不保证任何单个品牌或网站获得同样的提升幅度。
三个结构层级
- 宏观结构：文档整体设计：章节划分、标题层级与论述顺序。
- 中观结构：信息分块：段落粒度、列表、事实的位置与提示框。
- 微观结构：视觉强调：加粗、行内高亮等渲染后仍保留的线索。
在 VeReach 中如何使用
GEO-SFE 不是独立工具，而是嵌在 VeReach GEO“改写后再测量”的闭环中：结构诊断与结构改写建议，会和语义信号一起重新测量。
论文
Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior
Junwei Yu, Mufeng Yang, Yepeng Ding, Hiroyuki Sato
本页为论文摘要。方法、各引擎细分结果与评估条件请参阅论文原文。
VeReach 的其他论文
关于 GEO 应该如何评估、以及 AI 评估结果有多可信的研究。
- Conversational Capture: A Trajectory-Level Framework for Evaluating Generative Engine Optimization in Multi-turn Human-Agent Interaction
Junwei Yu, Jieyu Zhou, Mufeng Yang, Yepeng Ding, Hiroyuki Sato · 2026年9月30日
一个在多轮对话整体上评估 GEO 的框架，而不只看单次回答。论文把“对话捕获”形式化：在对话早期被引用的来源，会通过检索对历史的依赖和用户的追问而更容易被再次引用；并从理论上说明单轮评估会掩盖这种效应。
在 arXiv 阅读 - JuryFlow: Disagreement-Guided Human-in-the-Loop Multi-Agent Evaluation
Mufeng Yang, Junwei Yu, Yepeng Ding · 2026年9月30日
一个面向 LLM 评审（LLM-as-judge）的评估框架：不再用多数投票抹掉评审之间的分歧，而是把分歧当作不确定性信号。人只需在分歧处做一次有针对性的修正，修正会传播到相关案例，并沉淀为可复用的评分标准。论文报告在 MT-Bench 和 LLMBar 上，与金标准标签的一致性优于单一评审和多数投票基线。
在 arXiv 阅读