arXiv 论文提出 IntentGEO，按用户意图评估 GEO 并发布 AM…
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题设定与评测框架
论文关注的是大模型在聊天机器人、电商与 UGC 平台承担推荐角色后，条目如何在生成回复中获得曝光，即 GEO 问题。既有研究基本以内容为中心，在通用查询下优化可见性；但同一条目描述往往同时服务需求具体程度不同、决策阶段不同的用户，可见性收益因此取决于具体请求。作者据此提出 IntentGEO，把共享改写放到需求具体程度与决策进程两个维度构成的意图空间中评估，用四个领域、十种意图状态衡量方法表现，而不是只看单一通用查询下的排名变化。
既有方法的意图敏感性
作者用 IntentGEO 重新检验现有 GEO 方法，发现它们的可见性增益随用户意图变化而波动，并不存在一套改写通吃所有意图状态的情况。更值得注意的是，基于学习的提示优化在平均意义上可能低于其手写种子提示。作者追踪这些更新过程后把原因归结为提示漂移：优化过程逐步偏离明确的推荐指令，转向泛化的推广话术，表面上仍在优化，实际已不再服务推荐任务本身。
AMO 的锚定做法
针对提示漂移，作者提出 AMO（Anchored Meta-Optimization）。它的做法是把推荐指令保留在一个固定的核心部分中，不让优化过程改动，只学习追加在核心之后的策略，学习信号来自引用反馈。这样既保留了任务约束，又允许模型针对不同意图补充可调整的表达。消融结果显示，学到的附加部分相对只用固定核心有提升，AMO 也优于从该核心初始化的全提示优化，说明把核心锚定住、只放开附加部分是有效的折中。
结果与适用范围
在四个领域、十种意图状态下，AMO 的平均引用排名增益比最强的既有学习型基线高 35%，并在其中九种状态上领先。除离线评测外，作者还在 agentic 推荐流程中测试，AMO 取得最高增益；经过单独适配后，在商业部署的闭源在线助手 Doubao 上同样取得最高增益。论文共 12 页、3 张图，归入信息检索与人工智能分类，编号 arXiv:2611.04225。作者据此主张，用户意图应作为 GEO 评测的关键维度，锚定式适配可跨推荐需求与决策阶段使用。
为什么值得看
GEO 是 LLM 推荐场景里直接影响条目曝光的新问题，这篇给出意图维度的评测框架和一个可复用的优化方法，并附有增益数…
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。