arXiv cs.CL· Haibo Jin, Huimin Zeng, Yifeng Luo, Haohan Wang·· 12 小时前AI 评分42
CORE：通过生成引擎优化控制 LLM 搜索的输出排名
Controlling Output Rankings in LLM-Based Search via Generative Engine Optimization
AI 导读
研究者提出 CORE 方法，通过向搜索引擎返回的内容追加字符串、推理、评论三类优化内容，操控 LLM 搜索的输出排名。在 GPT-4o、Gemini-2.5、Claude-4 和 Grok-3 四个模型上，CORE 在 15 个商品类目平均达到 91.4% @Top-5、86.6% @Top-3、80.3% @Top-1 的提升成功率。
正文 · AI 翻译
摘要：随着大语言模型（LLM）的兴起，客户搜索和选择产品的方式正在发生变化。基于 LLM 的搜索，即生成式引擎，会直接向用户提供产品推荐，而不是像传统在线搜索结果那样需要用户自行探索选项。然而，这些推荐受到 LLM 初始检索顺序的强烈影响，这限制了小型企业和独立创作者的可见度，使其处于不利地位。
在这项工作中，我们提出了 CORE，一种用于基于 LLM 的搜索中控制生成式引擎输出排名的优化方法。由于 LLM 与搜索引擎的交互是黑盒的，CORE 将搜索引擎返回的内容作为影响输出排名的主要手段。具体而言，CORE 通过附加策略性设计的优化内容来优化检索内容，以引导输出的排名。我们引入了三种类型的优化内容：基于字符串的、基于推理的和基于评论的，并展示了它们在塑造输出排名方面的有效性。为了在真实环境中评估 CORE，我们推出了 ProductBench，这是一个大规模基准，包含 15 个产品类别，每个类别 200 个产品，其中每个产品都关联了从 Amazon 搜索界面收集的前 10 条推荐。
在四个具备搜索能力的 LLM（GPT-4o、Gemini-2.5、Claude-4 和 Grok-3）上进行的大量实验表明，CORE 在 15 个产品类别中平均实现了 \textbf{91.4\% @Top-5}、\textbf{86.6\% @Top-3} 和 \textbf{80.3\% @Top-1} 的提升成功率，优于现有的排名操纵方法，同时保持了优化内容的流畅性。
| 评论： | 23 页 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；信息检索（cs.IR） |
| 引用为： | arXiv:2602.03608 [cs.CL] |
| （或 arXiv:2602.03608v2 [cs.CL] 为此版本） | |
| https://doi.org/10.48550/arXiv.2602.03608 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Haibo Jin [查看邮箱]
[v1]
2026 年 2 月 3 日星期二 14:59:48 UTC（476 KB）
[v2]
2026 年 10 月 21 日星期三 05:18:42 UTC（475 KB）
来源：arXiv cs.CL · arxiv.org