Search Ctrl+K
Change language Switch ThemeSign In
Curated Daily BriefWeekly PicksTopics SettingsHelp CenterCollapse
Narrow Mode
Search Citation Dataset of 8 Major Domestic AI Platforms Open-Sourced, Providing Real Data Foundation for GEO Research
Search Citation Dataset of 8 Major Domestic AI Platforms Open-Sourced, Providing Real Data Foundation for GEO Research
 Berryxia.AI@berryxia
姚金刚老师把国内8大AI平台的搜索引用数据开源了。
这份数据集包含620个标准问题、近19万条去重后的AI引用记录，覆盖豆包、DeepSeek、Kimi、千问、文心等主流平台。
不仅原始数据、清洗规则、字段字典全开源，还附带了第一份可视化分析报告和arxiv论文。
初步发现已经很清晰：头部信源效应极强（Top10贡献41%引用），平台类内容权重很高，品牌官网自有内容可见度却只有4.33%，跨平台共识度也偏低，新鲜内容被明显偏好。
以前做中文GEO基本靠经验和少量测试，现在有了这种规模的公开实测数据，意味着大家可以基于真实分布去做策略，而不是瞎猜。
数据一开源，研究和优化就从“黑箱”变成了可量化、可复现的领域。Show More
#### 姚金刚
@yaojingang · 1d ago
经好友拔刀刘同意，将他们近期抓取的国内各大AI平台数据集进行开源
清洗后的数据集、论文预印本以及第一份分析报告，已推送到GitHub仓库，地址见评论区
这应该是面向国内各大AI平台的最新、最全的一份公开GEO原始数据集
包括了豆包、DeepSeek、元宝、千问、Kimi、文心、百度AI等8个AI平台的AI搜索结果、信源特征数据
这份数据包括：
1、620 个标准问题，覆盖 6 个研究维度、31 种有效问题类型，包括行业、提问意图、提示风格、时间敏感度、触发强度和极端真实场景；
2、214,119 条 AI 引用观察，精确去重后保留 189,845 条。这里统计的是回答中的引用来源与摘要，现有数据不含完整回答原文；
3、引用记录归并为 9,878 个规范域名信源、107,659 个规范页面；211,248 条记录带有效 HTTP URL，占 98.66%；
4、信源按 9 个一级类型、39 个二级类型完成分类，去重引用的分类覆盖率达到 99.77%；
5、原始数据、清洗表和分析集市都已保留，可用 JSONL、Parquet 和 DuckDB 直接查询，也附了字段字典、清洗规则和质量报告；
6、64 个原始分片全部通过 SHA-256 校验，清洗过程保留原值、异常标记和追溯字段，方便复现和继续加工
这几天对数据进行了二次清洗、标注和加工，并输出第一份可视化分析，一些有意思的发现和洞察
1、各大AI平台的信源头部效应非常明显，Top 10 信源贡献了 41.47% 的去重引用，抖音、腾讯网、今日头条、百度百科排在前四
2、平台与社区类信源只占 4.68% 的域名，却拿到 29.63% 的去重引用，内容分发平台在 AI 引用生态里的权重很高
3、品牌与企业官网只贡献 4.33% 的去重引用；加上政府与公共机构，主体自有来源合计 9.06%。品牌自有内容还有很大的可见度空间
4、跨平台共识并没有想象中高，66 个平台组合中，最高的“问题 × 页面”Jaccard 相似度也只有 34.94%，还有 11 个组合完全没有共享的问题与页面。单个平台的经验不能直接外推到其他平台
5、内容新鲜度很明显，在发布时间可靠的页面中，88.77% 来自 2025 或 2026 年；29.57% 的页面标题带年份，23.06% 带榜单或排行。时效信号和决策型内容值得继续验证
欢迎留言补充关心的问题，我可以抽空基于这些关心的问题，再做一份数据分析报告 Show More
37
62
400
56K
Jul 21, 2026, 11:58 PM View on X
6 Replies
0 Retweets
18 Likes
2,918 Views B Berryxia.AI @berryxia
Follow
One Sentence Summary
Teacher Yao Jingang open-sourced a dataset covering 620 questions and nearly 190,000 AI citation records, revealing for the first time the source distribution and patterns of major platforms.
Summary
The author relays and interprets the dataset open-sourced by Yao Jingang. The dataset includes search citation data from 8 platforms such as Doubao, DeepSeek, Kimi, Qwen, and ERNIE, totaling 620 standard questions and 189845 deduplicated citations. Preliminary analysis shows that head sources contribute 41% of citations, platform-based content carries high weight, brand official website visibility is only 4.33%, and cross-platform consensus is low. The author believes this data transforms GEO research from a black box into a quantifiable domain.
AI Screening
85
Influence Score 11
Published Today
Language
Chinese
Tags
GEO
AI Search
Open Source Dataset
Chinese AI Platforms
Search Citations
Make your daily reading actually fit you.A daily brief built from the sources you follow. Get started free HomeDiscoverSettings