SEO 該做的事有哪些？39 項做法用論文分成四級，另外 6 項可以直接刪掉

最後更新：2026 年 8 月。
本文引用的 35 篇文獻全部列在第 12 節，每一項數據都已回到原始論文核對。

市面上的 SEO 排名因素清單有一個共同問題：每一項看起來都一樣重要。
四十個打勾項目並排，沒有人告訴你哪一項有受控實驗支撐、哪一項只是相關性、哪一項其實早就被論文否證掉了。

這份清單把 39 項常見的 SEO 排名因素與 GEO 做法，從 85 篇搜尋排名研究文獻中選出 35 篇直接引用，標上證據等級。
另外列出 6 項業界還在講、但學術證據站在反面的做法，以及 2 項「其實沒有人檢驗過」的說法。

本文目錄

• 1. 這份清單怎麼用？
• 2. 哪些做法有受控實驗支撐？（A 級，8 項）
• 3. 哪些做法有大規模資料支撐？（B 級，12 項）
• 4. 哪些做法只有相關性證據？（C 級，14 項）
• 5. 哪些 GEO 說法目前只有預印本？（D 級，5 項）
• 6. 哪些事已經被論文否證，可以直接刪掉？
• 7. 傳統搜尋與 AI 搜尋的清單，差在哪裡？
• 8. 廠商提案的時候，該問哪幾句話？
• 9. 這份清單的數據是怎麼查證的？
• 10. 使用這份清單時請留意
• 11. 常見問題
• 12. 資料來源

如果你還在更前面的階段，想先搞懂 SEO 是什麼、該不該投，先看SEO 入門指南那篇，這份清單是它的執行細節。

1. 這份清單怎麼用？

先看等級，再看要不要花錢。
A 級有受控實驗或因果識別支撐，值得優先排進本季；C 級只有相關性證據，可以做但不要當成因果向老闆報告；被否證的那六項則是直接刪除，省下來的預算移到 A 級。

等級	證據類型	怎麼用
A	受控實驗或因果識別（隨機化、雙重差分、擾動實驗）	可以當因果講，優先投入
B	大規模觀察資料加統計檢定（數萬至數十萬筆樣本）	可信度高，但要注意適用範圍
C	相關性分析、橫斷面迴歸、問卷或質性研究	可以做，不要宣稱因果
D	預印本（preprint）或業界自行發布的資料	當線索用，不要當論據
X	業界仍在流傳，但有論文明確否證	從清單刪掉

這套等級講的是「證據有多硬」，不是「效果有多大」，所以它不是一份把所有 SEO 排名因素等權重列出來的清單。
一項 C 級做法可能效果不錯，只是目前沒有人用實驗去驗證它；一項 A 級做法也可能效果很小，只是被量得很準。
兩件事要分開看。

2. 哪些做法有受控實驗支撐？（A 級，8 項）

這八項的共同點是：有人真的做了實驗，操作了一個變因、控制其他條件，然後量到差異。
這是這份清單裡證據最硬的一組，也是預算應該先去的地方。

#	做法	證據	出處
1	在頁面明確標示發布日期與更新日期，並定期更新舊文	早稻田大學與香港理工大學團隊在 TREC 資料集人工注入發布日期，測試七個模型做重排。 在成對比較下，相關性完全相同的兩段內容，模型偏好平均最高翻轉 25%；在 listwise 重排實驗中，單一項目最多上移 95 個名次，前十名的平均發布年份最多前移 4.78 年。 這是目前投報率最高的單一訊號，成本也最低。	Fang 等人（2025）arXiv:2509.11353
2	累積真實評價與評分，即使只高出一點點	受控實驗顯示，規格完全相同時大品牌被 AI 推薦的比率達 100%；但競品只要有不到 0.1 顆星的評分優勢，這個壟斷就瓦解。 研究另量到，當所有品牌都做最佳化時，個別報酬會從 +0.802 崩落到 +0.007，但不參與者得到零推薦。 實驗限於三個商用模型與護膚品這類購前難判品質的類別，且為未經同儕審查的預印本。	Chu 與 Hou（2026）arXiv:2606.17443，preprint
3	內容中加入具體統計數字、可驗證引用與權威出處	普林斯頓大學等機構的 GEO 研究測到，能見度最高可提升 40%，其中加入引述 +41%、加入統計數字 +34%、標註來源 +29%。 但這個增益極度不均：對搜尋結果第 5 名的網站，標註來源讓能見度增加 115.1%，對原本排名第 1 的網站反而下降 6% 到 30%。 如果你已經是該關鍵字的第一名，這項不見得對你有利。	Aggarwal 等人（2024）KDD，arXiv:2311.09735
4	停止用人工方式製造點擊率	WSDM 2017 最佳論文提出反事實推論框架，用傾向分數加權（依曝光機率的倒數還原每一筆點擊），推導出無偏的 Propensity-Weighted Ranking SVM。 位置帶來的曝光紅利在訓練階段就被還原掉，刷出來的點擊會被這層修正抵銷。	Joachims 等人（2017）WSDM 最佳論文，arXiv:1608.04468
5	用整體載入時間評估體驗，不要只看 Core Web Vitals 分數	四組主觀實驗、清洗後 617 位有效受試者的研究發現，傳統 Page Load Time 與使用者評分的等級相關係數為 −0.74、Speed Index 為 −0.70，兩者都明顯優於 LCP、FID、CLS。 論文結論是三項 Core Web Vitals 對網頁體驗的預測力「遠低於預期」。	Wehner 等人（2023）Quality and User Experience 8:5
6	檢查 cookie 同意橫幅拖慢了多少	同一份研究量到，同意橫幅讓使用者完成首次內容互動的時間平均延後 2.9 秒、中位數延後 3.1 秒。 這是一個常被忽略、但可以直接修掉的延遲來源。	同上
7	把最重要的關鍵詞放進標題前段	Google Scholar 排名的逆向工程研究中，結果清單前 10 名有 86% 的標題含檢索詞，最後 10 名只有 26%。 同一份研究也發現，關鍵詞在全文中重複多次的文章，並沒有比只出現一次的更容易排到前面。 這是 2009 年的小樣本探索性研究，作者自己也說只能算粗略概覽。	Beel 與 Gipp（2009）ISSI’09
8	不要在頁面或 PDF 埋隱形文字	ASEO 研究團隊設計七類 spam 實驗實際攻擊 Google Scholar，白底白字確實會被完整索引。 但這是被論文本身歸類為學術不端的手法，寫在這裡是提醒你別買到這種服務。	Beel 與 Gipp（2010）Journal of Electronic Publishing 13(3)

第 1 項值得特別講。
日期是整份清單裡成本最低、證據最硬的一項，但多數中小企業網站的文章根本沒有顯示更新日期，或是顯示了卻從來沒更新過。
這是一個可以在一週內修完的東西。

第 3 項則要反過來讀。
如果你在某個關鍵字上已經是第一名，加入大量引述與統計數字反而可能稀釋你在 AI 回應裡的能見度。
這項對後段班有利、對前段班不利，判斷之前先確認自己站在哪一邊。

3. 哪些做法有大規模資料支撐？（B 級，12 項）

B 級的樣本規模動輒數萬到數十萬筆，統計上很扎實，但它們是觀察出來的、不是實驗操作出來的，所以不能完全排除其他解釋。

#	做法	證據	出處
9	把資源放在整體網域權威，而不是單頁優化	蒐集 60 組關鍵字、逾 6,000 個網頁、17 項特徵建模的逆向工程研究發現，PageRank 是最主導的單一因素，且網域年齡的影響顯著，單頁年齡則排在重要性最末。 同一份研究另外發現 Google 對部落格存在負向偏誤，其權重高到足以與前十大排名因素相提並論。	Su 等人（2014）ACM TWEB 8(2)
10	關鍵字出現在主機名稱、title、meta description 與 URL 路徑	同一份研究列出的次要主導因素。 注意這是「出現」而非「重複」。 也要注意這一項與第 6.2 節提到的另一份研究結論不一致，見該節說明。	同上
11	把內容改寫成回答問句的形式	2026 年 3 至 4 月間、為期 40 天的縱貫測量涵蓋 55,393 組熱門查詢與 19 個主題類別，AI 摘要的整體觸發率是 13.7%，但問句型查詢飆到 64.7%。 想被 AI 摘要引用，先讓內容長得像在回答一個問題。	Xu 等人（2026）arXiv:2605.14021，preprint
12	不必先擠進第一頁，也可能被 AI 引用	同一份研究測到近 30% 的被引用網域根本不出現在第一頁。 我們自己的繁體中文 AI Overview 實測在 577 個引用來源中量到 28.2%，兩份獨立資料互相印證。	同上
13	不要把「被 AI 引用」當流量 KPI	Pew 用 900 位美國成人一個月的真實瀏覽軌跡分析，對 AI 摘要引用來源的點擊只發生在約 1% 的造訪中。 AI 摘要出現時整體點擊減少、工作階段終止率升高，這個關聯在控制受訪者隨機效應與查詢屬性的混合效應模型下仍然成立。	Chapekis 等人（2026）arXiv:2608.04831，preprint
14	把「事實查詢型」內容的流量預期往下調	利用 Google AI Overview 分階段推出的時間差做雙重差分，處理組為英文維基百科條目，對照組為同批條目的印地語、印尼語、日語與葡萄牙語版本，涵蓋 161,382 組配對，量到日流量下降約 15%。 文化類條目跌幅最大，STEM 類最小。	Khosravi 與 Yoganarasimhan（2026）arXiv:2602.18455，preprint
15	把預算從自家部落格挪一部分到第三方報導	跨 10 個消費品類與 6 種語言的實驗發現，AI 搜尋對第三方權威來源存在系統性且壓倒性的偏好，明顯高於品牌自有內容與社群內容。 以美國市場的汽車類查詢為例，GPT 回傳的來源有 81.9% 是第三方報導、18.1% 是品牌自有；Google 則是 45.1% 第三方、39.5% 品牌自有、15.4% 社群，分布明顯均衡得多。	Chen 等人（2025）多倫多大學，arXiv:2509.08919，preprint
16	接受「不做 SEO 就沒有能見度」這個前提	分析 1,914 組查詢、256,853 個 URL，以 21 項 SEO 指標搭配準確率 99.7% 的決策樹分類器判定，超過 80% 的搜尋結果為確定或可能經過優化，完全未優化的只有 0.7%，而且那 0.7% 主要是維基百科。	Lewandowski 等人（2021）WebSci ’21
17	評估商品評測類關鍵字時，把競爭環境的污染程度算進去	為期一年、7,392 組商品評測查詢的縱貫監測，同時追蹤 Google、Bing、DuckDuckGo 並以 ClueWeb22 作為全網基線。 網路上只有一小部分商品評測使用聯盟行銷，但搜尋結果中的多數都在用；且聯盟行銷的使用程度與內容複雜度呈負相關。	Bevendorff 等人（2024）ECIR 2024
18	健康、醫療、財務類內容要拉高作者與來源的可查證性	以 Ahrefs 追蹤 10 個歐洲國家共 21 個健康醫療網站，在 Google Medic Update 前後取四次快照。 能見度中位數從 100 掉到 70，並在接下來一年持續下探到 52，且與國家或語言無關。	Strzelecki（2020）IJERPH 17(4):1160
19	把舊的黑帽手法從供應商評估表刪掉	用 1,000 個真實黑帽 SEO 網站建立 SEO-Bench，測試 ChatGPT、Gemini 等 10 個 AI 搜尋系統，超過 99.78% 的傳統 SEO 攻擊被擋下，主要防線在檢索階段而非生成階段。 但同一份研究也提出七種新型攻擊，其中改寫式查詢堆疊與分段文本能讓操縱成功率翻倍，所以這不代表 AI 搜尋整體安全。	Chen 等人（2026）WWW 2026，arXiv:2603.25500
20	非英語內容若要爭取國際能見度，至少補上英文標題、摘要與關鍵字	45 組檢索、約 45,000 筆結果的分析發現，91% 的非英語文獻排在第 900 名之後，只有 0.2% 能進入前 20 名。 英語文獻的原生排序與依被引次數排序的中位相關係數為 0.97，非英語文獻只有 0.18。 這份研究做的是學術搜尋，但語言偏差的機制值得警覺。	Rovira 等人（2021）Future Internet 13(2):31

第 12 項和第 13 項要一起讀，才不會做出錯誤的決策。
被 AI 引用的門檻確實比排名低，這是機會；但被引用幾乎不會帶來點擊，這是限制。
這兩件事同時成立，代表 GEO 應該用品牌曝光的邏輯編預算，而不是用流量的邏輯。

4. 哪些做法只有相關性證據？（C 級，14 項）

這一組是大多數 SEO 檢查表的內容。
它們多半來自相關分析或問卷，證據強度不如前兩組，但成本低、風險低，屬於「做了不吃虧」的基本盤。

#	做法	證據來源
21	全站啟用 HTTPS	Ziakis 等人（2019）Future Internet 11(2):32。 該研究以 PRISMA 從 23 篇論文萃取 24 項因素，再對三組關鍵字的前 15 名做 Spearman 相關，SSL 憑證是相關性最強的一項。
22	URL 含關鍵字	同上，相關性第二強
23	內文長度足夠	同上，相關性第四強
24	建立反向連結	同上，相關性第三強。 300 個拉美電商網站的 Tobit 模型也顯示反向連結顯著延長停留時間（p<0.01），對訪客數則是邊際顯著（p<0.10）。
25	圖片補上 ALT 文字	Mladenović 等人（2023）Online Information Review 47(4)，57 家機構網站的能見度研究，ALT 為主要預測因子之一
26	robots 設定正確、不誤擋	同上
27	行動裝置友善性	Bataineh 等人（2025）Cogent Business & Management 12(1)，1,000 份發放、791 份有效問卷的 PLS-SEM
28	用內容品質帶動互動，再由互動帶動排名	同上，使用者參與度在模型中是中介變項
29	改善載入速度以降低跳出率	Osorio-Andrade 等人（2025）Revista CEA 11(27)：速度慢顯著提高跳出率，但對訪客數與停留時間無顯著影響。 用對 KPI 很重要。
30	部署結構化資料與 schema markup	Giomelakis（2023）Social Media + Society 9(3)，15 位希臘媒體與 SEO 從業者的半結構式訪談，是實務界共識度最高的品質訊號
31	用主題叢集組織內容	同上
32	優化 snippet 結構	Saeed 等人（2024）Artificial Intelligence Review 57:144，2,960 個網頁、31 項特徵的語音搜尋研究，snippet 型態為最關鍵因素
33	控制 meta description 長度	同上
34	多語系版本重做關鍵字研究，不要逐字直譯	Álvarez-García（2025）Íkala 30(2)，88 家西班牙企業、480 個網頁的語料庫分析，meta description 是在地化過程中品質流失最嚴重的一項

5. 哪些 GEO 說法目前只有預印本？（D 級，5 項）

這五項來自尚未經同儕審查的預印本，其中兩份是單一作者，一份的作者任職於銷售 GEO 工具的公司。
數字看起來很吸引人，但引用時務必註明來源性質，也不要拿它們去說服老闆編大筆預算。

#	做法	數字與來源性質
35	設法進入第三方的「推薦清單」型文章	10 萬則以上 AI 回應、100 個以上品牌的分析指出，清單型文章佔全部引用約 21%，約 78% 的引用指向品牌官網。 同一份資料量到頭部品牌出現在 73% 的相關回答中，中型品牌 44%，小型利基品牌只有 11%。 作者為 GEO 工具供應商 Ranqo，單一作者，未經同儕審查。 arXiv:2606.20065
36	逐平台分別監測，不要只看一個 AI	3,750 則回應、50 個品牌、5 個產業、250 條查詢、3 個模型的研究測到，跨模型對首選推薦的一致性只有 41.6%。 單一作者，投稿審查中。 arXiv:2606.23057
37	優先切入沒有明確領導品牌的類別	同一份研究測到 8.0% 的查詢存在「競爭真空」，整體集中度的 Gini 係數平均為 0.28，屬中度集中而非贏者全拿。
38	提高內容的證據密度：明確定義、具體數值、比較表、操作步驟	602 條受控提示詞、21,143 則引用、18,151 個抓取頁面、72 項特徵的量測，高吸收率頁面的共同特徵。 未經同儕審查，但與 A 級第 3 項方向一致。 arXiv:2604.25707
39	監測「品牌被怎麼描述」，而不只是「有沒有被提到」	情感框架的波動頻率約為是否被提及的 6.7 倍。 業界資料，同第 35 項出處。

6. 哪些事已經被論文否證，可以直接刪掉？

6.1 六項有論文明確反證的說法

這一節是整份清單裡最省錢的部分。
以下六項在業界仍然常被提出，甚至被寫進報價單，但學術證據站在反面。

常見說法	論文怎麼說	出處
HTML 語法錯誤會拖累排名	逆向工程研究直接推翻了這個說法，W3C 驗證錯誤的權重係數只有 0.068 到 0.033，論文的結論是「幾乎沒有到完全沒有影響」。 修語法可以，但別當成 SEO 項目收費。	Su 等人（2014）
關鍵字密度要控制在某個百分比	Google Scholar 逆向工程測到，關鍵詞在全文中出現多次的文章並沒有比只出現一次的更容易排前面。 而 BERT 重排研究讓 MS MARCO 的 MRR@10 相對提升 27%，證明比對單位已經是語意而非字面。 密度這個概念在現代排名模型裡沒有對應的變項。	Beel 與 Gipp（2009）；Nogueira 與 Cho（2019）
提高點擊率可以拉抬排名	位置偏誤研究以擾動排名順序的實驗證實，排名位置本身就大幅決定點擊；而 Unbiased LTR 在訓練階段就用傾向分數把這份紅利還原掉。 刷點擊的效益會被系統性抵銷。	Craswell 等人（2008）；Joachims 等人（2017）
Core Web Vitals 分數高代表使用者體驗好	主觀實驗發現 LCP 對體驗與速度評分幾乎完全沒有影響，CLS 與 Speed Index 完全無相關，Google 的 good 與 poor 門檻在主觀數據中得不到支持。 它是排名訊號，不是體驗真理。	Wehner 等人（2023）
把重要內容擠到 AI 的 context 開頭	跨三個 benchmark 的研究發現，依模型位置偏好重排段落的複雜策略，表現並不優於隨機打亂。 原因是相關段落與干擾段落會同時被位置效應懲罰，兩者相互抵銷，所以真實場景中的位置偏誤遠小於受控實驗所報告的程度。	Cuconasu 等人（2025）
傳統黑帽手法在 AI 搜尋還有效	超過 99.78% 的傳統 SEO 攻擊在檢索階段就被擋下。 舊的作弊工具箱可以整個丟掉，但要注意論文同時證明了新型的語意層攻擊仍然有效。	Chen 等人（2026）WWW

6.2 兩項不是「被否證」，而是「沒有人檢驗過」或「證據互相矛盾」

這兩項要跟上面六項分開講，因為性質完全不同。
把「查無證據」說成「已被否證」是另一種不誠實。

說法	實際狀況
社群訊號會影響自然排名	常被引用來否證這個說法的那份研究，其實從頭到尾沒有把社群訊號納入實測變項。 它的文獻回顧階段確實有十篇文獻提到社群訊號，但實證階段只量了 20 項因素，社群不在其中。 正確的說法是：目前找不到嚴謹的實證檢驗，不是「已經被推翻」。
標題標籤放關鍵字會提升排名	兩份研究結論相反。 2014 年的逆向工程把 title 關鍵字列為次要主導因素之一，2019 年的實測研究則明確表示「與其他研究的結果相反，我們發現載入時間、URL 長度與標題標籤使用目標關鍵字並不影響排名」。 兩份研究的方法、年代與樣本都不同，目前無法判定誰對。 遇到這種情況，合理的做法是照做但不寄予厚望。

7. 傳統搜尋與 AI 搜尋的清單，差在哪裡？

差別不在於項目多寡，而在於同一項目的權重完全不同，甚至有幾項在兩邊是反向的。

項目	傳統搜尋	AI 搜尋
連結權威	最主導的單一因素	仍重要，但輸給第三方報導的內容權重
自有內容與第三方報導的比重	相對均衡，約四成品牌自有	系統性偏好第三方，某些品類高達八成
進入第一頁	幾乎是能見度的必要條件	近 30% 的引用來自非第一頁（我們的繁中實測為 28.2%）
發布與更新日期	影響有限	listwise 重排下單項最多可上移 95 個名次
被看見之後的流量	點擊率隨名次遞減但仍可觀	約 1% 的造訪會點進引用來源
黑帽手法	仍有部分空間，風險高	傳統手法超過 99.78% 在檢索階段被擋
內容結構	標題層級與關鍵字配置	段落自足性、證據密度、可擷取性
已是第一名時做內容優化	通常仍有正面效果	可能反而下降 6% 到 30%

還有一個台灣市場特有的前提：不是所有關鍵字都會遇到 AI 摘要。
我們實測 30 組「找廠商」型的繁中查詢，AI 摘要的觸發率是 0／30。
如果你的主力字是這一類，第 5 節那五項可以暫時不用碰，把資源留在傳統排名與地圖區塊。
判斷方法寫在那份 130 組查詢的實測裡。

8. 廠商提案的時候，該問哪幾句話？

這一節是給要簽約的人看的。
以下每一組的左邊是常見的提案話術，右邊是一句可以當場問出真假的問題。

他說	你問
「我們可以提升 AI 引用率 40%」	「那是在哪一階段量的？是內容已經進入 context 之後，還是包含檢索階段？」2026 年 7 月一份檢視 45 篇 GEO 研究的批判性回顧指出，已被檢索到的內容確實能因果性地改變自己被引用的方式，但沒有任何一項技術展現出對自然發現度的穩定、縱貫、跨平台因果效果。
「我們會幫你優化 Core Web Vitals 到綠燈」	「綠燈之後，實際的整體載入時間是多少？」分數與感知體驗的相關性偏低，整體載入時間才是更好的代理指標。
「我們會把關鍵字密度調到最佳比例」	「這個比例的依據是什麼研究？」現代排名模型沒有密度這個變項。
「我們有辦法提升點擊率來拉排名」	「你怎麼處理位置偏誤？」如果對方聽不懂這個詞，這項服務不用談下去。
「我們保證多久排到第一頁」	「保證的機制是什麼？」賽局理論研究指出，在作者會為排名策略性改寫內容的環境下，適度隨機化排名函數反而能提升使用者長期效用，搜尋引擎因此有理由主動引入排名雜訊。
「我們會幫你在 AI 上做曝光，帶來流量」	「你預期的點擊率是多少？」被引用與帶來流量是兩件事，真實軌跡資料量到的是約 1%。
「我們有獨門技術可以操控 AI 排序」	直接跳過。 這類技術在論文裡確實存在且成功率不低，但那正是平台加速部署偵測的原因，短期紅利伴隨長期懲罰風險。

9. 這份清單的數據是怎麼查證的？

初稿的說法	查核後修正為
「社群訊號影響排名已被論文否證」	該研究並未實測社群訊號。 改列為「查無實證檢驗」，並移出否證清單。
「512 位受試者的主觀實驗」	512 只是其中一個子實驗的完成人數，資料清洗後有效樣本為 183。 全研究四個子實驗合計 617 位有效受試者。
「競品只要有 0.1 顆星的優勢」	原文是「不到 0.1 顆星」。 方向講反了，修正後論點其實更強。
「Princeton 團隊的 GEO 研究」	第一作者任職於印度理工學院德里分校，改為「普林斯頓大學等機構」。 同時補上原論文的重要限制：增益集中於低排名來源，第一名反而下降。
「響應式設計」	原論文的變項是「行動裝置友善性」，兩者概念相近但不等同。

10. 使用這份清單時請留意

等級是我們的編輯判斷，不是論文作者標的

沒有任何一篇論文會在摘要裡寫「本研究屬於 B 級」。
分級是我們讀完方法章節之後的判斷，同一篇研究在不同人手上可能被歸到不同等級，B 級與 C 級的界線尤其主觀。
如果你要拿這份清單去做重大決策，建議點開原始文獻自己看一次方法章節。

文獻品質分層，preprint 與頂級會議論文不能等量齊觀

這 35 篇不是同一個等級的證據。
其中 11 篇是尚未經同儕審查的 arXiv 預印本，其餘為頂級會議與期刊論文。

涵蓋的場合包括 KDD、SIGIR、WWW、WSDM、ECIR、WebSci、VLDB 與 JAIR。
凡標記 preprint 者，引用其數字時請一併說明來源性質，尤其是第 5 節那幾份單一作者或業界作者的 GEO 能見度研究——其中一份的作者任職於銷售 GEO 工具的公司，存在明確的利益關係。

相關不等於因果

第 4 節那 14 項幾乎全部來自相關分析或橫斷面迴歸，它們告訴你「排名好的網站通常也有這個特徵」，不是「做了這件事排名就會變好」。
這份清單裡因果識別最乾淨的是第 14 項那份維基百科的雙重差分研究，以及第 2 節的各項受控實驗。
向老闆報告時，這條線要劃清楚。

E-E-A-T 沒有直接的同儕審查實證

E-E-A-T 沒有分數，也沒有論文可以引用。
它是 Google 評分員指南的概念，不是可以直接觀測的排名變項，因此不存在「量測 E-E-A-T 對排名的影響」這種研究。

目前最接近的學術證據是 Strzelecki（2020）對 Medic Update 的能見度量化分析，以及 Giomelakis（2023）對語意 SEO 的質性訪談。
任何宣稱「幫你優化 E-E-A-T 分數」的服務，優化的都是代理指標而不是那個分數本身。

RankBrain、MUM、Neural Matching 沒有論文可以引用

Google 對這三個系統只有官方部落格公告，沒有任何同儕審查論文。
技術路線上最接近的公開研究是 Google Research 在 SIGIR 2023 發表的 RankT5，以及 BERT 的原始論文。
如果你看到一份簡報引用「RankBrain 論文」，那份簡報的來源需要再確認。

11. 常見問題

以下八題是這份清單最常被問到的問題。
如果你只想知道「該從哪裡開始」，看第一題就夠了。

12. 資料來源

依主題分組，共 35 篇，作者姓名全部列出、不使用 et al.，方便你用任一位作者的名字回查。
內文表格採「首位作者＋年份」的簡稱，完整資訊一律以這一節為準。
標註 OA 者為完全開放取用、可直接下載全文；標註 preprint 者為尚未經同儕審查的預印本；標註「需訂閱」者需透過機構帳號或付費取得。

本文不轉載論文全文。
這 35 篇的授權條件不一致，其中僅 MDPI、SAGE、Cogent 等開放取用期刊採 CC 授權允許重製，arXiv 預印本多數採非專屬授權、不開放第三方轉載，Emerald 與 Springer 的部分文章則為付費內容。
因此這裡提供的是可直接連往原文的位址，請以出版方的頁面為準。

12.1 排名演算法與檢索模型

1. Brin, S., & Page, L. (1998). The Anatomy of a Large-Scale Hypertextual Web Search Engine. Computer Networks and ISDN Systems, 30(1–7). PDF（OA）
2. Gyöngyi, Z., Garcia-Molina, H., & Pedersen, J. (2004). Combating Web Spam with TrustRank. VLDB 2004. PDF（OA）
3. Craswell, N., Zoeter, O., Taylor, M., & Ramsey, B. (2008). An Experimental Comparison of Click Position-Bias Models. WSDM 2008. Microsoft Research。DOI: 10.1145/1341531.1341545（OA）
4. Joachims, T., Swaminathan, A., & Schnabel, T. (2017). Unbiased Learning-to-Rank with Biased Feedback. WSDM 2017（Best Paper Award）。arXiv:1608.04468（OA）
5. Ben Basat, R., Tennenholtz, M., & Kurland, O. (2017). A Game Theoretic Analysis of the Adversarial Retrieval Setting. Journal of Artificial Intelligence Research, 60. JAIR（OA）
6. Nogueira, R., & Cho, K. (2019). Passage Re-ranking with BERT. arXiv:1901.04085（OA）
7. Zhuang, H., Qin, Z., Jagerman, R., Hui, K., Ma, J., Lu, J., Ni, J., Wang, X., & Bendersky, M. (2023). RankT5: Fine-Tuning T5 for Text Ranking with Ranking Losses. SIGIR 2023. arXiv:2210.10634（OA）

12.2 SEO 排名因素的實證研究

8. Su, A.-J., Hu, Y. C., Kuzmanovic, A., & Koh, C.-K. (2014). How to Improve Your Search Engine Ranking: Myths and Reality. ACM Transactions on the Web, 8(2). PDF（OA）
9. Ziakis, C., Vlachopoulou, M., Kyrkoudis, T., & Karagkiozidou, M. (2019). Important Factors for Improving Google Search Rank. Future Internet, 11(2), 32. MDPI（OA）
10. Strzelecki, A. (2020). Google Medical Update: Why Is the Search Engine Decreasing Visibility of Health and Medical Information Websites? IJERPH, 17(4), 1160. MDPI（OA）
11. Lewandowski, D., Sünkler, S., & Yagci, N. (2021). The influence of search engine optimization on Google’s results. WebSci ’21. PDF（OA）
12. Wehner, N., Seufert, M., Schatz, R., & Hoßfeld, T. (2023). Do you agree? Contrasting Google’s Core Web Vitals and the impact of cookie consent banners with actual web QoE. Quality and User Experience, 8, Article 5. Springer（OA）
13. Mladenović, D., Rajapakse, A., Kožuljević, N., & Shukla, Y. (2023). Search engine optimization (SEO) for digital marketers: exploring determinants of online search visibility for blood bank service. Online Information Review, 47(4), 661–679. DOI: 10.1108/OIR-05-2022-0276（需訂閱）
14. Giomelakis, D. (2023). Semantic Search Engine Optimization in the News Media Industry. Social Media + Society, 9(3). SAGE（OA）
15. Bevendorff, J., Wiegmann, M., Potthast, M., & Stein, B. (2024). Is Google Getting Worse? A Longitudinal Investigation of SEO Spam in Search Engines. ECIR 2024, LNCS 14608. Springer（需訂閱）／作者機構 PDF（OA）
16. Saeed, Z., Aslam, F., Ghafoor, A., Umair, M., & Razzak, I. (2024). Exploring the impact of SEO-based ranking factors for voice queries through machine learning. Artificial Intelligence Review, 57, Article 144. Springer（OA）
17. Bataineh, A. Q., Qasim, D., Idris, M. I., & Abu-AlSondos, I. A. (2025). The evolution of SEO strategies. Cogent Business & Management, 12(1). DOI（OA）
18. Osorio-Andrade, C. F., Arango Espinal, E., & Rodríguez Orejuela, A. (2025). Impact of SEO Strategies on the Performance of E-Commerce Websites in Latin America. Revista CEA, 11(27). Redalyc（OA）
19. Álvarez-García, C. (2025). Relevance of Meta Tags and Search Engine Optimisation (SEO) Strategies in Web Localisation. Íkala, 30(2). 全文。DOI: 10.17533/udea.ikala.356108（OA）

12.3 AI 搜尋、GEO 與生成式引擎

20. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative Engine Optimization. KDD 2024. arXiv:2311.09735（OA）
21. Cuconasu, F., Filice, S., Horowitz, G., Maarek, Y., & Silvestri, F. (2025). Do RAG Systems Really Suffer From Positional Bias? arXiv:2505.15561（preprint）
22. Chen, M., Wang, X., Chen, K., & Koudas, N. (2025). Generative Engine Optimization: How to Dominate AI Search. University of Toronto. arXiv:2509.08919（preprint）
23. Fang, H., Tao, S., Chen, N., Chang, K.-X., & Sakai, T. (2025). Do Large Language Models Favor Recent Content? A Study on Recency Bias in LLM-Based Reranking. arXiv:2509.11353（preprint）
24. Khosravi, M., & Yoganarasimhan, H. (2026). Impact of AI Search Summaries on Website Traffic: Evidence from Google AI Overviews and Wikipedia. arXiv:2602.18455（preprint）
25. Chen, P., Hong, G., Wu, X., Wu, M., Zhu, Z., Liu, M., Liu, B., Zhang, M., & Yang, M. (2026). Unveiling the Resilience of LLM-Enhanced Search Engines against Black-Hat SEO Manipulation. The ACM Web Conference 2026. arXiv:2603.25500（OA）
26. Zhang, K., He, X., & Yao, J. (2026). From Citation Selection to Citation Absorption. arXiv:2604.25707（preprint）
27. Xu, H., Iqbal, U., & Montgomery, J. M. (2026). Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact. arXiv:2605.14021（preprint）
28. Chu, X., & Hou, Y. (2026). Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems. arXiv:2606.17443（preprint）
29. Kumar, P. (2026). Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines. arXiv:2606.20065（preprint，作者任職於 GEO 工具商 Ranqo）
30. Żatuchin, D. (2026). Who Owns the AI Recommendation? arXiv:2606.23057（preprint）
31. Martinez, O. (2026). Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026). arXiv:2607.14035（preprint）
32. Chapekis, A., Lieb, A., Shah, S., & Smith, A. (2026). Investigating Click Behaviors On Google Search Result Pages That Produce an AI Overview. Pew Research Center，IC2S2 2026. arXiv:2608.04831（preprint）

12.4 學術搜尋引擎與 ASEO

33. Beel, J., & Gipp, B. (2009). Google Scholar’s Ranking Algorithm: An Introductory Overview. ISSI’09. PDF（OA）
34. Beel, J., & Gipp, B. (2010). Academic Search Engine Spam and Google Scholar’s Resilience Against it. Journal of Electronic Publishing, 13(3). PDF（OA）
35. Rovira, C., Codina, L., & Lopezosa, C. (2021). Language Bias in the Google Scholar Ranking Algorithm. Future Internet, 13(2), 31. MDPI（OA）