软件学报:jos:7771 · 记录 #1
大语言模型(large language model, LLM)和生成式引擎正在改变用户获取网络信息的方式. 传统搜索引擎优化主要关注网页能否进入搜索结果并获得较高排名, 而生成式引擎优化则关注网页内容能否被大语言模型采用并呈现在回答中. 然而, 现有研究主要面向英文场景, 面向中文网页和国内生成式平台的系统性生成式引擎优化 (generative engine optimization, GEO)研究仍然缺失. 为此, 构建面向中文场景的生成式引擎优化评测框架, 围绕中文数据集构建、生成式引擎优化策略设计和来源可见度评测开展研究, 并从策略、平台、领域和来源位置等方面分析中文生成式引擎优化的效果. 在此基础上, 进一步比较中文生成式引擎优化与英文生成式引擎优化的差异, 并总结面向中文场景的实践启示.
这些页面提供论文线索，不代表同行评审或质量认证。
此版本尚未生成 AI 解读。解读由后台任务生成并按论文版本保存，登录后共享已有结果。
2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007771
目前只观测到一个版本，无法比较变化。之后收录新版本时，会在这里对照标题、作者、分类和摘要。
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
大语言模型(large language model, LLM)和生成式引擎正在改变用户获取网络信息的方式. 传统搜索引擎优化主要关注网页能否进入搜索结果并获得较高排名, 而生成式引擎优化则关注网页内容能否被大语言模型采用并呈现在回答中. 然而, 现有研究主要面向英文场景, 面向中文网页和国内生成式平台的系统性生成式引擎优化 (generative engine optimization, GEO)研究仍然缺失. 为此, 构建面向中文场景的生成式引擎优化评测框架, 围绕中文数据集构建、生成式引擎优化策略设计和来源可见度评测开展研究, 并从策略、平台、领域和来源位置等方面分析中文生成式引擎优化的效果. 在此基础上, 进一步比较中文生成式引擎优化与英文生成式引擎优化的差异, 并总结面向中文场景的实践启示.
查看此版本解读 →查看此版本原文 ↗