글쓰기 전에 생각하기: 생성적 인용 가시성 향상을 위한 특징 수준의 다중 목표 최적화

Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility

생성형 답변 엔진은 순위 기반 검색 대신 선택적 인용을 통해 콘텐츠를 제공하며, 이는 가시성이 결정되는 방식을 근본적으로 변화시킵니다. 이러한 변화는 기존의 검색 엔진 최적화 방식과는 다른 새로운 최적화 방법을 요구합니다. 기존의 생성형 엔진 최적화(GEO) 방식은 주로 토큰 수준의 텍스트 재작성을 기반으로 하며, 이는 해석 가능성이 제한적이고 인용 가시성과 콘텐츠 품질 간의 균형을 효과적으로 조절하기 어렵습니다. 본 연구에서는 페이지를 해석 가능한 구조적, 콘텐츠, 언어적 특성으로 추상화하는 특징 수준의 다중 목표 최적화 프레임워크인 FeatGEO를 제안합니다. FeatGEO는 텍스트를 직접 수정하는 대신, 이러한 특징 공간을 최적화하고, 언어 모델을 사용하여 특징 구성 요소를 자연어로 구현함으로써, 고수준의 최적화와 표면적인 생성 과정을 분리합니다. GEO-Bench를 사용하여 세 가지 생성형 엔진에 대한 실험 결과, FeatGEO는 인용 가시성을 지속적으로 향상시키면서 콘텐츠 품질을 유지하거나 향상시키는 것으로 나타났으며, 토큰 수준의 기존 방식보다 훨씬 우수한 성능을 보였습니다. 추가 분석 결과, 문서 수준의 콘텐츠 속성이 개별적인 어휘 수정보다 인용 행동에 더 큰 영향을 미치며, 학습된 특징 구성 요소가 다양한 크기의 언어 모델에 걸쳐 일반화될 수 있음을 확인했습니다.

Generative answer engines expose content through selective citation rather than ranked retrieval, fundamentally altering how visibility is determined. This shift calls for new optimization methods beyond traditional search engine optimization. Existing generative engine optimization (GEO) approaches primarily rely on token-level text rewriting, offering limited interpretability and weak control over the trade-off between citation visibility and content quality. We propose FeatGEO, a feature-level, multi-objective optimization framework that abstracts webpages into interpretable structural, content, and linguistic properties. Instead of directly editing text, FeatGEO optimizes over this feature space and uses a language model to realize feature configurations into natural language, decoupling high-level optimization from surface-level generation. Experiments on GEO-Bench across three generative engines demonstrate that FeatGEO consistently improves citation visibility while maintaining or improving content quality, substantially outperforming token-level baselines. Further analyses show that citation behavior is more strongly influenced by document-level content properties than by isolated lexical edits, and that the learned feature configurations generalize across language models of different scales.