这是 Sourso 团队的论文。我们在研究栏目里按发现拆开写了解读。 读解读 →
VoteGEO-Bench: Measuring the Impact of Generative Engine Optimization on Electoral Visibility(VoteGEO-Bench:衡量生成式引擎优化对选举曝光度的影响)于 2026-10-15 提交到 arXiv,作者 Shiqi Zhang, Xiaokui Xiao。去 arXiv 读原文,或下载 PDF。
为什么和被引用有关
- 生成式引擎经常引用候选人网站与公开讨论社区等低成本渠道,部分页面会在多天内持续出现。
- 在改写网页时不指明特定对象很难提升曝光,而指定目标的改写方式能更频繁地增加可见度。
- 对 4 个类别中的 11 种改写策略进行评估发现,改善结构排版与加强论证的效果优于补充证据或修改字句。
- 两种表现最强的改写策略在各类选民画像下均能保持正向提升,受访画像并未削弱这种改写效果。
- 明确的选民党派背景所造成的基线曝光差距,往往超过了改写单篇网页所能带来的曝光增益。
最重要的一点。 清晰组织网页结构并通过对比论证强化立场,能够切实提高目标实体在生成式引擎回答中的曝光度,其效果优于单纯修改措辞或补充引用。
摘要
Large language models (LLMs) are increasingly used for election information, yet little is known about how external web content shapes the political information they present. Generative engine optimization (GEO) rewrites web content to improve its visibility in generated responses. To investigate its potential risks in voting scenarios (VoteGEO), we introduce VoteGEO-Bench, a benchmark covering the 2024 U.S. presidential election and the 2026 Japanese House of Representatives election, combining election-related queries, historical webpages, and voter personas. We first analyze sources cited by generative engines and find that many citations come from lower-cost owned and open-platform sources, while some webpages remain visible across days. We then evaluate 11 rewriting strategies in 4 categories, examining target specification, effectiveness across engines and elections, and the role of voter personas. Rewriting without specifying a target rarely increases target exposure, whereas target-specified rewriting more often does. Strategies that improve page organization or strengthen a position through argumentation yield greater gains than adding supporting evidence or changing wording. For the two strongest strategies, gains remain broadly positive across evaluated U.S. personas, but persona conditioning shows no consistent effect on these gains. Explicit partisan identities can create baseline exposure gaps larger than the gain from rewriting one webpage. When partisanship is implicit in the voter profile, baseline shifts depend on how strongly the engine responds to that signal.
译文:大型语言模型越来越多地被用于获取选举信息,但外部网页内容如何塑造模型给出的政治信息,相关了解仍然较少。生成式引擎优化通过重写网页内容来提升其在生成回答中的可见度。为了研究其在投票场景中的潜在风险,我们提出了 VoteGEO-Bench 基准,涵盖 2024 年美国总统选举和 2026 年日本众议院选举,结合了选举相关查询、历史网页以及选民画像。我们首先分析了生成式引擎引用的来源,发现许多引用来自成本较低的自有渠道和开放平台,并且一些网页在多天内保持可见。随后,我们在 4 个类别中评估了 11 种重写策略,考察了指定优化目标、跨引擎与选举的有效性以及选民画像的作用。在不指定目标的情况下进行重写很少能提高目标曝光度,而指定目标的重写则更容易提高曝光度。改善页面组织结构或通过论证强化立场的策略,比添加支持证据或单纯改变用词带来更大的提升。对于两种表现最强的策略,在所评估的美国选民画像中,优化带来的提升普遍保持为正,但选民画像设置并未对这些提升表现出一致的增减作用。显式党派身份造成的基线曝光差距,可能会大于重写单个网页所获得的增益。当选民资料中仅隐蔽地包含党派信息时,基线变化取决于引擎对该信号的反应程度。
关键术语
- 生成式引擎优化 (GEO):通过修改网页内容以提高其在人工智能生成回答中的曝光度和引用率的方法。
- 查询单元 (Query cell):由特定搜索词、特定生成式引擎和检索日期组合而成的一个测试单位。
- 目标指定重写 (Target-specified rewriting):在改写提示中明确要求优化模型突出某一特定候选人或实体的改写方式。
- 声量份额 (Share of Voice):某个实体在生成回答中被提及的次数占所有实体被提及总次数的比例。
- 选民画像 (Voter persona):在输入提示中添加的模拟用户背景描述,用于反映特定的人口特征、党派倾向或政治观点。
论文原文
生成式引擎优化研究通常固定检索到的网页集合,以此将生成阶段的影响与检索阶段隔离开来。
Existing GEO research typically separates retrieval from generation and focuses on the generation stage by fixing the retrieved webpage pool and studying how rewriting one webpage changes its visibility in the generated response ( Aggarwal et al., 2024 ; Puerto et al., 2025 ; Pfrommer et al., 2024 ; Tang et al., 2025 ; Wu et al., 2025 ; Chen et al., 2025 ) .
译文:现有的生成式引擎优化研究通常将检索与生成分开,通过固定检索到的网页池,专注于研究重写单个网页如何改变其在生成回答中的可见度。
明确优化目标非常关键,泛泛的改写无法引导引擎重点突出哪一方。
Target-unspecified rewriting rarely increases target exposure, whereas target-specified rewriting more often does so. Notably, strategies that improve page organization or strengthen a position through argumentation show stronger gains than those that add supporting evidence or mainly change wording.
译文:不指定目标的重写很少能增加目标曝光度,而指定目标的重写则更容易做到这一点。值得注意的是,改善页面组织或通过论证强化立场的策略,比添加支持证据或主要改变用词的策略表现出更强的增益。
作者指出离线实验避免了真实环境的内容污染,但也无法直接测试搜索引擎的动态爬取机制。
Our rewriting experiments use fixed historical webpage pools with web retrieval disabled, leaving the effects of rewriting on live retrieval and citation selection unexamined. A live end-to-end evaluation would typically require publishing rewritten political content for crawling and indexing by search and generative engines.
译文:我们的重写实验在禁用网络检索的情况下使用固定的历史网页池,因此重写对实时检索和引用选择的影响尚未经过检验。实时的端到端评估通常需要发布重写后的政治内容,以便搜索引擎和生成式引擎进行抓取和建立索引。
作者自己说的含义
- 内容发布者在优化包含多个实体的网页时,必须明确设定目标实体,才能在生成式回答中提升该实体的出现频率。
- 生成式引擎在综合不同来源时,对清晰的文本层次和对比性论据更加敏感。
- 用户画像带来的基线曝光偏差很大,单篇网页的重写难以抵消这种用户背景导致的倾向。
可以怎么做
- 使用清晰的标题与列表层级来重新组织页面内容。 依据:在所有测试的引擎和选举设置中,改善页面组织结构的策略均取得了稳定的曝光提升。
- 在网页中直接写明本方立场与对立观点的明确对比。 依据:对比论证策略在各类引擎和选举场景的测试中名列前茅。
- 使用自动化改写工具时必须明确指定需要突出的目标名称。 依据:明确指定目标的改写方式能带来曝光增长,而不指定目标的改写几乎无法提高曝光。
- 将优化精力重点放在自有网站和活跃的公开讨论页面上。 依据:生成式引擎经常引用低成本的自有平台和开放社区来源,且部分页面会持续被引用多天。
注意。 该基准测试仅在固定的检索网页集合上进行离线评估,并未测试修改后的内容对搜索引擎实时抓取和在线引用的实际影响。
一句话
这项研究表明,相较于简单的修辞润色,生成式引擎更青睐结构清晰且具有鲜明对比论证的网页内容。虽然改写单篇网页能够在各类用户画像下稳定带来曝光增益,但模型针对用户画像本身的反应往往具有更大的基线影响。希望获得生成式引擎引用的内容创作者,应当重视网页的结构组织并明确突出目标实体。
这篇解读根据论文原文写成,发布前有人看过。引用的段落是原话,数字都是作者自己报告的。方法和完整结果请读论文。