核心发现
方法论
研究从NVIDIA Nemotron-Personas-USA、BSC-LT m-Personas、Orange PersonasForSalesbot和Tencent PersonaHub汇集约4000万描述，先用128置换、8×16分桶的GPU MinHash LSH（Jaccard阈值0.9）去重，再以KaLM-Embedding-Gemma3-12B和余弦相似度0.9进行语义去重，最后用Grok-4-1-fast在temperature 0.7下结构化扩展。
关键结果
- 最终PersonaGen-1M含1,031,732个画像、511个行业和4类市场，含19,416,821项行为属性：5,160,046条查询、5,132,320条信息需求、3,124,904个目标、3,115,862个痛点和2,883,689个未满足需求。
- 主意图分布为信息型78.3%、商业型17.4%、交易型4.3%；商业型约17.96万画像对应近90万查询。FinTech试验抽取30个画像、150条查询，97.3%回答至少提及一个品牌，平均每答5.01个品牌。
- 质量验证显示行业、市场、性别、意图归一化熵分别为0.37、0.58、0.73、0.57；行业×意图Cramér’s V=0.299。两品牌抽取模型一致率36.0%，平均Jaccard=0.737。
研究意义
论文把GEO从单纯观察模型输出推进到需求侧采样。由于查询语言可解释单次回答26.5%的方差，而品牌身份仅1.5%，由买家画像生成分行业、分阶段查询，比研究者凭经验编写探针更系统。preferred_sources还可与167,551条引用的来源数据连接，比较买家信任与引擎引用的差异。
技术贡献
贡献不是新的生成模型，而是可连接的测量基础设施：每个画像同时拥有primary_intent、典型查询和preferred_sources。MinHash LSH负责大规模词法筛选，KaLM嵌入负责语义近重复清理，Grok-4-1-fast负责固定JSON模式扩展；完整性达100%，首次生成合规率98.5%，重试后99.8%，质量过滤后保留103万条。
新颖性
相较PersonaHub、FinePersonas和Nemotron-Personas-USA，本工作把买家查询、阶段性商业意图和命名来源列表放入同一画像。MatrAIx Persona 1M虽有意图和来源字段，但意图偏对话行为、来源仅六类媒体枚举且无查询集；PersonaGen-1M更直接服务需求—供应连接。
局限性
- 数据完全合成，查询是合理构造而非真实日志，不能直接估计真实买家意图或品牌需求。
- 行业分布严重头部化：General、EdTech、Consulting占60.2%，前15类占94.9%；B2C占70.6%，存在来源数据偏差。
- 每个画像只给查询集合一个主意图，难以表达真实会话中的多重意图；年龄重分类也包含照护者年龄推断。
未来方向
作者计划将商业型查询与供应侧品牌推荐份额、引用溯源连接，并以重复采样和释义控制估计影响。关键验证是把查询库与同产业真实商业搜索日志对照；还应进行跨供应商品牌抽取、语言与市场分层，以及平衡行业再采样。
AI 总览摘要
生成式引擎正在把搜索结果页变成一段直接回答：ChatGPT、Gemini和Perplexity不仅回答“买什么”，还会列出少量品牌。对品牌而言，成功不再只是网页排名，而是进入模型生成的推荐清单。然而，现有PersonaHub等大型画像资源主要服务训练数据多样性，缺少买家查询、购买阶段和信任来源，因此难以解释某品牌为何被推荐或遗漏。
Żatuchin与Dzemesjuk提出PersonaGen-1M，构建了1,031,732个合成买家画像。研究从约4000万条公开描述出发，以GPU MinHash LSH进行词法去重，再用KaLM-Embedding-Gemma3-12B语义去重，并通过Grok-4-1-fast扩展固定字段。结果覆盖511个行业和B2C、B2B、B2B2C、B2G四类市场，包含516万条查询；每个画像拥有信息型、商业型或交易型主意图，以及preferred_sources来源列表。
数据具有清晰的测量用途：商业型画像占17.4%，其查询可组成行业化推荐探针；来源偏好可与引擎引用溯源比较。FinTech试验中，150条查询的97.3%回答提及品牌，平均每答5.01个品牌，说明查询库能够触发推荐。但研究也明确承认合成数据、行业头部集中和意图单标签的局限。它提供的是可复用的需求侧仪器，而不是现实市场的无偏估计。
深度分析
研究背景
GEO研究关注生成式引擎回答中的品牌出现率。Aggarwal等人提出GEO；相关供应侧研究分析引用来源和品牌份额。已有工作表明，12,933个回答中查询语言解释26.5%的单次回答方差，品牌身份仅1.5%；因此只用研究者设计的固定问题会人为决定测量结果。传统画像规模小，PersonaHub虽达十亿级，却没有分阶段购买意图、信任来源和查询集。
核心问题
核心问题是如何构造可按行业、市场和购买阶段抽样的需求侧查询，并把它与供应侧的品牌推荐和引用数据连接。困难包括约4000万原始描述的重复、合成画像的结构化一致性、搜索意图 taxonomy 对生成式对话的适配，以及查询措辞、语言、轮次和随机性造成的回答波动。
核心创新
- �� 将primary_intent、typical_queries和preferred_sources放入同一画像记录。
- �� 用511行业和四类市场提供分层抽样框架。
- �� 用词法MinHash与语义嵌入两阶段去重，兼顾速度和意义等价。
- �� 用命名来源列表而非六值媒体枚举连接引用溯源。
- �� 发布14,955条PersonaGen-15K子集，支持协议、字段和验证复现。
方法详解
- �� 输入：四个HuggingFace公开语料，约4000万原始描述。
- �� 词法去重：128 permutations、8 bands×16 rows、Jaccard θ=0.9，500,000条分块，降至约420万。
- �� 语义去重：KaLM-Embedding-Gemma3-12B，4-bit量化、Flash Attention 2；余弦相似度>0.9的近重复删除，约保留100万。
- �� 富集：Grok-4-1-fast强制JSON，temperature 0.7、每批100条；首次合规98.5%，重试后99.8%。
- �� 验证：完整性、归一化Shannon熵、卡方检验和Cramér’s V；最终剔除1.5%不一致记录。
实验设计
统计在全量1,031,732画像上完成，报告行业、市场、性别和意图熵，以及维度关联。应用试验筛选FinTech商业型画像，随机抽取30个画像的150条查询，以temperature 0.7调用一个商业生成引擎，回答限制120词。Gemini-3.5-flash和Gemini-2.5-flash独立抽取品牌并取共识；研究没有进行真实日志基准或受控推荐份额因果实验。
结果分析
行业归一化熵仅0.37，显示强烈头部集中；性别为0.73。行业×意图V=0.299，且B2B商业意图32.0%，高于B2C的12.4%，说明富集并非完全通用模板。试验产生751次品牌提及、530个不同品牌；两抽取器仅36.0%完全一致，但平均Jaccard为0.737，提示品牌识别仍有测量误差。
应用场景
研究者可按行业筛选17.4%的商业画像，建立买家措辞查询库并重复探测品牌推荐份额。企业可比较preferred_sources与引擎真实引用，发现内容和公信力缺口。前提是把查询当作合成测试仪器，报告重复运行、释义变化和置信区间，而不能把结果直接解释成市场份额。
局限与展望
合成查询缺少真实行为校准；行业和市场分布受四个上游语料影响，General与EdTech占比过高。单一primary_intent覆盖约五条查询，无法表达跨阶段、多目的对话。语义去重和Grok富集依赖具体模型，品牌抽取仅用同一供应商模型家族。未来需接入真实日志、跨语言和跨供应商验证，并开展预注册的推荐份额实验。
通俗解读 非专业人士也能看懂
把这项研究想成给一家大型商场制作“顾客模拟器”。研究者先从四个公开仓库收集约4000万张粗略顾客卡片，再删掉几乎一模一样的卡片，之后删掉虽然说法不同、其实想法相同的卡片。最后，电脑为每位顾客补充年龄、职业、烦恼、想买什么、会问哪些问题，以及最信任哪些信息来源。
成品有103万张卡片，覆盖511种行业。每张卡片还标记顾客是在了解知识、比较商品还是准备购买。这样，研究者不必只问“某品牌好吗”，而能模拟不同顾客真正可能提出的一组问题，再观察聊天机器人会推荐哪些品牌。
它像一套商场测试仪，而不是人口普查。卡片是电脑写出的，不是真实顾客；有些行业卡片很多，有些很少。因此它适合发现问题、设计测试，不适合宣称“所有人都这样想”。
简单解释 像给14岁少年讲一样
想象你在玩一个“推荐品牌”的游戏：你输入“30人的设计公司该用哪个项目管理软件？”，AI会直接说出几个名字。问题是，如果每个人问法不同，AI的答案也可能不同。研究者因此制作了一个超大的虚拟顾客库，让电脑模拟不同职业、行业和购物阶段的人。
他们从约4000万张旧卡片开始，先删除重复卡片，再删除“换了说法但其实一样”的卡片，最后得到103万张。每张卡片都有可能提出的搜索问题，还标记他是在学习、比较，还是马上购买，并写出他信任评论、社区或分析报告等哪些来源。
研究者从FinTech里抽了30个人的150个问题，让一个AI回答。97.3%的回答至少说出了一个品牌，平均每个回答提到5.01个品牌，所以这套问题确实能让AI做推荐。不过，这些顾客是电脑生成的，不是真人；而且两个程序找品牌时完全一致的答案只有36%。所以它像训练场，不是现实世界的最终成绩单。
术语表
Generative Engine Optimization（生成式引擎优化）
让品牌更可能出现在ChatGPT、Gemini等生成式回答中的方法。其成功单位是回答中的推荐，而不是传统搜索结果中的链接排名。
论文将PersonaGen-1M作为GEO需求侧测量工具。
MinHash LSH（最小哈希局部敏感哈希）
用签名和分桶快速寻找高Jaccard相似文本的近似算法。论文采用128置换、8×16分桶和阈值0.9。
用于从约4000万描述中进行第一阶段词法去重。
Semantic deduplication（语义去重）
通过文本嵌入和余弦相似度删除含义相同但文字不同的记录。它补足词法去重无法发现的近重复。
使用KaLM-Embedding-Gemma3-12B，余弦阈值为0.9。
Primary intent（主搜索意图）
覆盖一个画像查询集合的单一主要阶段标签，包括informational、commercial、transactional和navigational。它不是逐条查询的多标签标注。
商业型17.4%画像用于推荐探测。
Preferred sources（偏好来源）
画像所信任的来源类型命名列表，如分析报告、同行评论、社区和出版物。它描述需求侧信任，可对照引擎引用来源。
用于与供应侧citation provenance连接。
Cramér’s V（克莱姆V）
衡量两个分类变量关联强度的效应量，适合大样本下避免只看显著性。数值越大表示关联越强。
行业×意图V=0.299，市场×意图V=0.164。
开放问题 这项研究留下的未解疑问
- 1 合成查询是否像真实商业搜索？论文尚未与同产业搜索日志进行系统语义、意图和品牌覆盖率对照。
- 2 preferred_sources是否能预测引擎引用仍未知；需要将画像偏好与按行业、语言和模型分层的引用溯源配对。
应用场景
近期应用
行业化GEO探针库
GEO团队筛选目标行业的商业型画像，使用其3至10条买家查询重复调用多个引擎，统计品牌出现率、回答波动和引用来源。应固定模型、语言、轮次与重复次数。
信任—引用缺口分析
内容团队汇总某行业的preferred_sources，再与引擎实际引用的第三方网站比较，识别买家重视但引擎较少引用的来源类型，并据此规划评测、社区或分析内容。
远期愿景
需求—供应联合测量平台
将画像查询、品牌推荐份额和引用溯源统一为分层实验平台，控制释义、语言和重复采样，最终检验买家意图与品牌被推荐概率之间的关系。
原文摘要
Generative engines such as ChatGPT, Gemini, and Perplexity answer buyer questions directly and name a shortlist of brands inside the answer. Studying how brands enter or fail to enter that shortlist requires demand-side data: what buyers in a category ask, what information they need, and which sources they trust. Existing large persona corpora are built for training-data diversity and carry neither a staged search-intent label nor a preferred-sources field, so they cannot be joined to supply-side recommendation measurements. We built and validated PersonaGen-1M, a corpus of 1,031,732 synthetic buyer personas spanning 511 industry labels and 4 market contexts, carrying 19,416,821 structured behavioral attributes, 5,160,046 of them search queries. Each persona carries a single primary_intent label covering its query set (78.3% informational, 17.4% commercial, 4.3% transactional) and a preferred_sources field naming the source types that buyer would trust. The corpus was built from roughly 40 million raw persona descriptions drawn from four public datasets through GPU-accelerated MinHash LSH plus semantic deduplication, then enriched to a fixed schema. The intent field selects the commercial-evaluation personas whose queries drive recommendation, and the preferred_sources field pairs against citation-provenance data; that join is the primary intended use, and its controlled empirical estimate is future work. Among million-scale persona corpora surveyed in August 2026, one other carries a source-preference attribute, as a six-value media-channel enum; PersonaGen-1M pairs named per-persona source lists with a staged commercial search-intent label and an attached query set. The full corpus is shared on request for non-commercial research; a stratified subset is published openly so the protocol, the schema and the validation can be inspected and reused without asking us.