| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Biznesa informātika |
| Nosaukums |
MI-orientēta tīmekļa satura optimizācijas metodoloģija atpazīstamības palielināšanai lielo valodu modeļu atbildēs |
| Nosaukums angļu valodā |
AI-Oriented Web Content Optimization for LLM Visibility |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Aleksejs Jurenoks |
| Recenzents |
Ērika Nazaruka |
| Anotācija |
Lielo valodas modeļu balstītu asistentu izmantošana maina veidu, kā lietotāji
meklē informāciju tīmeklī. Atšķirībā no tradicionālajām meklētājprogrammām,
mākslīgā intelekta balstītas sistēmas var izgūt, apkopot, citēt vai rekomendēt tīmekļa
saturu tieši ģenerētajās atbildēs.
Šajā maģistra darbā tiek pētīta mākslīgā intelekta orientēta tīmekļa satura
optimizācija, kuras mērķis ir uzlabot tīmekļa vietņu redzamību LLM balstītās
sistēmās. Balstoties uz tradicionālās meklētājprogrammu optimizācijas, izgūves
papildinātas ģenerēšanas, LLM balstītu mākslīgā intelekta asistentu un ģeneratīvās
meklēšanas optimizācijas analīzi, tiek piedāvāts piecu slāņu optimizācijas ietvars.
Ietvars sastāv no satura, strukturālās, semantiskās, autoritātes un rāpuļprogrammu
piekļuves optimizācijas.
Ietvars tiek īstenots vienas lapas demonstrācijas tīmekļa vietnē Pine Coast
House, kas attēlo fiktīvu piejūras brīvdienu māju pie Ventspils, Latvijā. Īstenošana
ietver faktoloģiskā satura uzlabojumus, strukturētas lapas sadaļas, biežāk uzdoto
jautājumu sadaļu, Schema.org strukturētos datus, kas īstenoti JSON-LD formātā,
sitemap un robots.txt konfigurāciju, kā arī eksperimentālu llms.txt failu.
Rezultāti parāda, ka optimizēto tīmekļa vietni vairākas mākslīgā intelekta
sistēmas spēj nolasīt, apkopot un salīdzināt ar citiem avotiem, ja saite tiek norādīta
tieši vai iekļauta kontrolētā avotu sarakstā. Atvērtā atklāšana bija ierobežotāka, jo
vietne parādījās tikai vienā mērķētā vaicājumā. Tas norāda, ka GEO orientēta
optimizācija var uzlabot mašīnlasāmību un avota izmantojamību, taču negarantē
stabilu organisko redzamību ģeneratīvajās mākslīgā intelekta sistēmās.
Maģistra darbs satur 70 lappuses, 18 attēlus, 8 tabulas, 80 literatūras avotus un
18 pielikumus. |
| Atslēgas vārdi |
ĢENERATĪVĀS MEKLĒŠANAS OPTIMIZĀCIJA, LIELIE VALODAS MODEĻI, TĪMEKĻA SATURA OPTIMIZĀCIJA, MEKLĒTĀJPROGRAMMU OPTIMIZĀCIJA, MĀKSLĪGĀ INTELEKTA ASISTENTI |
| Atslēgas vārdi angļu valodā |
GENERATIVE ENGINE OPTIMIZATION, LARGE LANGUAGE MODEL VISIBILITY, WEB CONTENT OPTIMIZATION, SEARCH ENGINE OPTIMIZATION, ARTIFICIAL INTELLIGENCE ASSISTANTS |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
19.05.2026 18:20:36 |
