GEO优化
同一篇文章被三个生成式引擎引用,去重后只剩1.7个来源
103 0 45
先泼冷水:社区里聊引用率、提及率,我看了大半个月,几乎没人把「引用去重口径」写清楚。三个引擎答同一篇文章,后端日志里可能记成三条 citation,但同一段落被反复引用到底算 1 还是算 3,各家定义完全不统一。
上周我用星芒的 API 拿免费额度跑了个小实验,样本不大,就 12 篇技术文档、3 个生成式引擎、每篇各问 5 个改写问句,合计 180 条回答。我的处理方式是:先抓 citation URL,按 canonical 归一化,再按段落指纹(正文前 128 字符 sha1)做二次去重。结果挺扎心的——
- 按 URL 计数:平均每篇被引用 4.3 次
- 按段落指纹去重后:每篇实际独立被引段落均值 1.7 个
- 也就是说,超过六成的「引用」是同一段落在不同问句下被反复命中
这个差距直接影响你拿什么数字去跟客户对账。如果验收标准写「AI 引用次数」,同一段落被问十次就膨胀十倍,交付方开心,甲方做审计的时候一定翻脸。我自己的做法是表里固定加两列:「原始 citation 数」和「去重后独立段落数」,再补一列 canonical 冲突率——我这次样本里冲突率 8% 左右,主要是 http/https 和尾斜杠没对齐,导致同页被当成两页。
还有个踩坑细节:段落指纹别用整页正文,导航栏和页脚会污染,我用的是剔除 nav/footer 后的正文首段。另外星芒免费版单次抓取有上限,12 篇文档我分了三批跑,中间间隔大概几小时,时间窗不一致会让计数漂移,这点公益版确实有天花板,想跑稳定对比实验绕不开付费档。
结论很简单:GEO 的引用数不是数出来的,是定义出来的。口径不写进合同,后面全是扯皮。
想问问大家:你们做引用去重时,是按 URL、段落指纹还是 embedding 相似度阈值?阈值定在多少才能既压住重复又不误杀真正不同的段落?
登录后可以为帖子点赞,但本帖内容对所有人开放阅读。
