IF-GEO: 다중 쿼리 생성형 엔진 최적화를 위한 상충 인식 지시어 융합

IF-GEO: Conflict-Aware Instruction Fusion for Multi-Query Generative Engine Optimization

생성형 엔진이 검색된 소스를 바탕으로 직접적인 답변을 합성하여 정보 검색 분야에 혁명을 일으키면서, 정보 소스의 가시성을 확보하는 것이 중요한 과제가 되었습니다. 타겟팅된 콘텐츠 수정을 통해 이를 개선하는 실용적인 전략을 생성형 엔진 최적화(GEO)라고 합니다. 하지만 다양한 쿼리에 맞춰 문서를 최적화하는 작업은 제약이 따르는 최적화 문제를 야기하며, 이질적인 쿼리들은 제한된 콘텐츠 예산 내에서 종종 상충되고 경쟁적인 수정 요구사항을 부과합니다. 이러한 문제를 해결하기 위해 우리는 두 단계로 구성된 '발산 후 수렴(diverge-then-converge)' 프레임워크인 IF-GEO를 제안합니다. 첫째, 대표적인 잠재 쿼리들로부터 개별적인 최적화 선호도를 발굴합니다. 둘째, 상충 인식 지시어 융합을 통해 이러한 선호도를 조정하여 가이드 편집을 위한 '글로벌 수정 청사진(Global Revision Blueprint)'을 합성합니다. 쿼리 간 안정성이라는 IF-GEO의 목표를 명시적으로 정량화하기 위해 위험 인식 안정성 지표를 도입했습니다. 다중 쿼리 벤치마크 실험 결과, IF-GEO는 다양한 검색 시나리오에서 견고성을 유지하면서도 상당한 성능 향상을 달성하는 것으로 나타났습니다.

As Generative Engines revolutionize information retrieval by synthesizing direct answers from retrieved sources, ensuring source visibility becomes a significant challenge. Improving it through targeted content revisions is a practical strategy termed Generative Engine Optimization (GEO). However, optimizing a document for diverse queries presents a constrained optimization challenge where heterogeneous queries often impose conflicting and competing revision requirements under a limited content budget. To address this challenge, we propose IF-GEO, a "diverge-then-converge" framework comprising two phases: (i) mining distinct optimization preferences from representative latent queries; (ii) synthesizing a Global Revision Blueprint for guided editing by coordinating preferences via conflict-aware instruction fusion. To explicitly quantify IF-GEO's objective of cross-query stability, we introduce risk-aware stability metrics. Experiments on multi-query benchmarks demonstrate that IF-GEO achieves substantial performance gains while maintaining robustness across diverse retrieval scenarios.