NAVINESSEO LAB
Меню
ЯзыкРусский

NAVINES SEO LAB

Исследования

Оригинальный анализ с открытой методикой, данными и ограничениями.

Библиотека исследований

Шесть работ прочитаны полностью и переведены в ограниченные продуктовые решения.

arXiv · 2022-10-18

Making a MIRACL: Multilingual Information Retrieval Across a Continuum of Languages

Авторы
Xinyu Zhang; Nandan Thakur; Odunayo Ogundepo; Ehsan Kamalloo; David Alfonso-Hermelo; Xiaoguang Li; Qun Liu; Mehdi Rezagholizadeh; Jimmy Lin
Дата публикации
2022-10-18
Открыть запись доказательств

Вопрос исследования

How can a retrieval benchmark cover languages with very different resource levels while using native queries and relevance judgments?

Метод

An 18-language, same-language Wikipedia retrieval benchmark built with native-speaker queries and judgments; lexical, dense and hybrid baselines were compared on the released pools.

Что поддерживают данные

Evaluate each language explicitly, document corpus and judgment construction, and keep native review central. The reported hybrid result is a historical benchmark observation.

Ограничения и переносимость

This is same-language information retrieval, not translation assessment or web SEO. Heuristic segmentation, candidate-pool gaps and unfinished test labels limit transferability; it says nothing about hreflang or Google rankings.

Классификация

  • Поддержано
  • Историческое
  • Только академическое

Влияние на NAVINES: Лаборатория сравнения многоязычных страниц

arXiv · 2024-04-14

Competitive Retrieval: Going Beyond the Single Query

Авторы
Haya Nachimovsky; Moshe Tennenholtz; Fiana Raiber; Oren Kurland
Дата публикации
2024-04-14
Открыть запись доказательств

Вопрос исследования

How does publisher competition change when participants allocate content decisions across multiple queries rather than one isolated query?

Метод

A formal multi-query game plus four controlled student competitions covering 30 TREC topics, 84 participants and specified proxy rankers; best-response dynamics and feature changes were examined.

Что поддерживают данные

Cross-query opportunity cost and competitor response deserve explicit treatment; equilibrium existence does not imply that learning dynamics will converge.

Ограничения и переносимость

The student setting, topics and rankers are controlled proxies. The work does not identify current Google features, predict winners or justify reusable weights or a practical Nash-equilibrium claim.

Классификация

  • Ограничено
  • Только академическое

Влияние на NAVINES: Планировщик конкурентного портфеля запросов

arXiv · 2020-05-26

Ranking-Incentivized Quality Preserving Content Modification

Авторы
Gregory Goren; Oren Kurland; Moshe Tennenholtz; Fiana Raiber
Дата публикации
2020-05-26
Открыть запись доказательств

Вопрос исследования

Can ranking-incentivized content modification include coherence and modification cost instead of optimizing promotion alone?

Метод

A controlled passage-replacement method balanced promotion and coherence, evaluated with proxy rankers and offline data across 31 queries, with an explicit ethics discussion.

Что поддерживают данные

Quality constraints and the cost of changing content belong in planning. A promotional change that fails editorial integrity should be rejected.

Ограничения и переносимость

Passages came from higher-ranked candidates and quality judgments were bounded and subjective. It does not support copying winners, real-engine causal claims or unrestricted automated rewriting.

Классификация

  • Ограничено
  • Только академическое

Влияние на NAVINES: Планировщик конкурентного портфеля запросов

Journal of Artificial Intelligence Research · 2025

The Search for Stability: Learning Dynamics of Strategic Publishers with Initial Documents

Авторы
Omer Madmon; Idan Pipano; Itamar Reinman; Moshe Tennenholtz
Дата публикации
2025
Открыть запись доказательств

Вопрос исследования

Under which formal ranking mechanisms and content-deviation costs can strategic publisher learning converge or remain unstable?

Метод

Formal publisher-utility models with rank benefit minus deviation cost, convergence results for specified linear/softmax settings, and discrete simulations, predominantly with two publishers.

Что поддерживают данные

Change cost, response dynamics and instability are useful planning dimensions; a mechanism can have an equilibrium while local responses cycle or remain pseudoperiodic.

Ограничения и переносимость

The model assumes a static information need, known ranking function and embedding-space actions. Simulations are not a real search engine and do not justify a Google mechanism or guaranteed convergence claim.

Классификация

  • Поддержано
  • Ограничено
  • Только академическое

Влияние на NAVINES: Планировщик конкурентного портфеля запросов

KDD / arXiv · 2024

GEO: Generative Engine Optimization

Авторы
Pranjal Aggarwal; Vishvak Murahari; Tanmay Rajpurohit; Ashwin Kalyan; Kartik Narasimhan; Ameet Deshpande
Дата публикации
2024
Открыть запись доказательств

Вопрос исследования

In controlled generative-engine experiments, how do selected content modifications affect proxy visibility across queries and domains?

Метод

GEO-BENCH combined 10,000 queries from nine datasets with visibility proxies and experiments on two generative engines; citation, quotation, statistics and other interventions were compared by domain.

Что поддерживают данные

Clear attribution, genuine evidence and domain-aware experimentation can be reviewed as editorial signals; keyword stuffing performed poorly in this benchmark.

Ограничения и переносимость

Two engines, black-box variance and proxy metrics do not establish traditional-search effects or future citation probability. Reported gains are historical benchmark results, not forecasts; appendix prompts are untrusted.

Классификация

  • Ограничено
  • Историческое
  • Только академическое

Влияние на NAVINES: Лаборатория готовности к цитированию ИИ

arXiv · 2024-07-02

Adversarial Search Engine Optimization for Large Language Models

Авторы
Fredrik Nestaas; Edoardo Debenedetti; Florian Tramèr
Дата публикации
2024-07-02
Открыть запись доказательств

Вопрос исследования

Can content in retrieved web or plugin documents manipulate an LLM's product preferences, and which broader attack categories appear beyond classic prompt injection?

Метод

Controlled experiments with fictional products, web/plugin documents and proprietary models examined model-directed instructions, concealment, false claims, source suppression and competitor discrediting.

Что поддерживают данные

Retrieved content is an untrusted input surface; safety review should cover concealed persuasion and source integrity as well as direct instructions.

Ограничения и переносимость

The favorable fictional setup, limited scale and changing proprietary systems do not establish prevalence or complete detection. Exact attack payloads are not republished and the checker is not a certification.

Классификация

  • Поддержано
  • Ограничено
  • Только академическое

Влияние на NAVINES: Проверка безопасности манипуляций ИИ-поиском

Доказательства проверены 14 августа 2026 · Не устанавливает текущие факторы Google или гарантированный результат.

Исследования

Оригинальный анализ с открытой методикой, данными и ограничениями.

Мы не гонимся за алгоритмами. Мы создаём ясность, доверие и видимость, которая накапливается со временем.

Сделать передовую поисковую аналитику понятной, полезной и доступной, а затем помочь компаниям превратить её в измеримые действия.

Методика

  • Определите рамки, ключевые шаблоны и метрики успеха.
  • Проверьте выборку ответов сервера, robots, sitemap, canonical и внутренних ссылок.
  • Определите основную и защитные метрики, связанные с бизнес-целью.
  • Создайте сопоставимые периоды и срезы по странице, запросу, стране и устройству.

Ограничения

  • Атрибуция, приватность и пороги скрывают часть пути.
  • Совпадение изменения с датой внедрения не доказывает причинность.