Was steckt in einem Namen? Nun, für Suchmaschinen ist das kompliziert. Während wir Menschen von Natur aus ein umfangreiches Wissen über Sprache haben, benötigen Suchmaschinen ein wenig mehr Hilfe beim Sortieren der Dinge. Als Beispiel betrachten wir die Mechanismen der Eigennamenerkennung (Named Entity Recognition). Mit diesem Mechanismus finden Suchmaschinen heraus, was wir als Menschen eigentlich sagen wollen.

Was ist Named Entity Recognition?

Die Erkennung benannter Entitäten (Named Entity Recognition, NER), manchmal auch als Entity Chunking oder Entity Extraction bezeichnet, ist eine Komponente des Information Retrieval in der natürlichen Sprachverarbeitung (NLP). Sie beinhaltet die Identifizierung und Klassifizierung von Schlüsselteilen eines Textes in vordefinierte Kategorien wie Personen, Organisationen, Orte, Daten und andere spezifische Gruppen.

‍

In dem Satz "Die NASA hat den Mars Rover am 30. Juli 2021 von Cape Canaveral aus gestartet" würde die NER zum Beispiel erkennen:

‍

• "NASA" als Organisation
• "Mars Rover" als spezifischer Projekt- oder Missionsname
• "30. Juli 2021" als Datum
• "Cape Canaveral" als Standort

‍

Diese Art der Erkennung hilft bei der Kategorisierung und Extrahierung relevanter Informationen aus Texten zur besseren Analyse und zum besseren Verständnis.

Welche Rolle spielt die NER in den Algorithmen der Suchmaschinen?

Die Erkennung benannter Entitäten (Named Entity Recognition, NER) ist für Suchalgorithmen von entscheidender Bedeutung, da sie dazu beiträgt, das Textverständnis von Bots und die Relevanz der Suchergebnisse zu verbessern. Wenn man die Fähigkeiten der KI im Gegensatz zum menschlichen Verständnis betrachtet, ist es leicht zu erkennen, wie die Mehrdeutigkeit und die Nuancen der Sprache eine Kategorisierung schwierig - und notwendig - machen können. Sehen Sie sich diesen Satz an:

‍

China (Gruppe von Sportlern) gewann 48 Goldmedaillen bei den Olympischen Spielen 2008 in China (Ort).

‍

NER ermöglicht es Computern zu verstehen, dass ein und dasselbe Wort, das zweimal in einem Satz verwendet wird, unterschiedliche Bedeutungen haben kann: eine Gruppe von Sportlern, die eine gemeinsame Nationalität und einen geografischen Standort haben.

‍

Wenn Sie bei Google die Frage stellen würden: "Wie viele Goldmedaillen hat China bei den Olympischen Spielen 2008 gewonnen? Google würde sich nicht den Kopf darüber zerbrechen, wie ein Ort eine Medaille im Tauchen gewinnen konnte. Stattdessen weiß der Google-Algorithmus dank NER, dass Sie nach der Anzahl der Goldmedaillen fragen, die die chinesischen Sportler bei den Olympischen Spielen 2008 in China gewonnen haben.

‍

Da Sie nun ein Beispiel haben, erfahren Sie hier, wie NER zu den Algorithmen der Suchmaschinen beiträgt:

‍

• Besseres Verständnis der natürlichen Sprache. NER hilft Suchmaschinen, wichtige Personen, Orte und Organisationen in Webinhalten zu identifizieren und zu kategorisieren. Durch die Erkennung dieser Entitäten können Suchmaschinen den Kontext und das Thema einer Seite durch Deep Learning besser verstehen, was zu einer genaueren Indizierung und Abfrage führt.
• Verbesserter Abfrageabgleich. Wenn Benutzer Suchanfragen eingeben, hilft NER den Suchmaschinen, diese Anfragen mit relevanten Inhalten abzugleichen, indem die benannten Entitäten sowohl in der Anfrage als auch in den indizierten Seiten identifiziert und interpretiert werden. NER hilft Suchmaschinen auch dabei, den Kontext und die Absicht des Benutzers zu verstehen, in dem benannte Entitäten erwähnt werden. Dadurch wird die Fähigkeit verbessert, zwischen Entitäten mit ähnlichen Namen zu unterscheiden. Ein anderer Begriff dafür ist "semantische Suche".
• Rich Snippets und strukturierte Daten. Suchmaschinen nutzen NER, um die Anzeige von Suchergebnissen mit Rich Snippets und strukturierten Daten zu verbessern. Durch die Erkennung von Entitäten wie Produkten, Veranstaltungen und Organisationen können Suchmaschinen zusätzliche Details wie Rezensionen, Bewertungen oder Veranstaltungsdaten direkt in den Suchergebnissen anzeigen und so einen Mehrwert für die Ergebnisse schaffen.
• Kategorisierung von Inhalten. Suchmaschinen nutzen NER, um Inhalte effektiver zu kategorisieren. Durch die Identifizierung und Verschlagwortung von Entitäten können Suchmaschinen Inhalte in relevante Kategorien und Themen einordnen, was zur Verbesserung von Inhaltsempfehlungen und Personalisierung beiträgt.
• Textzusammenfassung. NER ermöglicht es der Textzusammenfassung, sich auf die wichtigsten Entitäten und Interaktionen zu konzentrieren, so dass sie den Kern des faktischen Inhalts des Textes erfassen kann und nicht nur die Schlüsselwörter. NLP-Tools wie GPT und Googles Gemini verwenden diese Methode der Textverarbeitung.

Wie funktioniert die NER?

Wir sind froh, dass Sie gefragt haben.

‍

Der Prozess beginnt mit der Vorverarbeitung, bei der der Text bereinigt und für die Analyse vorbereitet wird. Dazu gehört das Entfernen unnötiger Zeichen, die Korrektur von Tippfehlern und manchmal die Normalisierung des Textes.

‍

Anschließend wird der Text tokenisiert, d. h. er wird in kleinere Einheiten wie Wörter oder Phrasen zerlegt. Die Tokenisierung hilft, die Struktur und Bedeutung des Textes effektiver zu analysieren. Der Satz "John Lennon war Mitbegründer der Beatles" würde in die Token "John", "Lennon", "Mitbegründer" und "Beatles" zerlegt werden.

‍

Als nächstes wendet das NER-System die Merkmalsextraktion an. Dieser Schritt beinhaltet die Identifizierung und Erstellung von Merkmalen oder Eigenschaften des Textes, die für die Erkennung benannter Entitäten relevant sein könnten. Zu den Merkmalen können Part-of-Speech-Tags, Wortformen oder auch der umgebende Kontext gehören. In diesem Fall wäre es das große "L" in Lennon und das "B" in Beatles, was darauf hinweist, dass es sich um Eigennamen handelt.

‍

Jetzt sind wir beim Kernstück der NER angelangt: der Entitätsklassifizierung. In dieser Phase verwendet das System vorab trainierte Modelle, die auf Algorithmen des maschinellen Lernens oder Deep-Learning-Netzwerken basieren können, um jedes Token oder jede Tokenfolge in vordefinierte Kategorien wie "Person", "Organisation" oder "Ort" einzuordnen. In diesem Fall würde "John Lennon" als "Person" und die Beatles als "Organisation" klassifiziert werden.

‍

Sobald die Entitäten klassifiziert sind, geht das System zur Nachbearbeitung über. In diesem Schritt werden die Ergebnisse verfeinert und validiert, um ihre Genauigkeit zu gewährleisten. Dazu kann auch das Auflösen von Mehrdeutigkeiten gehören, z. B. die Unterscheidung zwischen dem Namen einer Person und einem gängigen Substantiv. Diese Art der Qualitätskontrolle verhindert, dass die "Beatles" als eine Gruppe von Insekten und nicht als talentierte Rockstars eingestuft werden.

‍

Schließlich gibt das System die erkannten Entitäten zusammen mit ihren Kategorien aus, was es den Benutzern erleichtert, sinnvolle Informationen aus dem Text zu extrahieren. Dank NER erhalten Sie von einer Suchmaschine eine Fülle von Informationen über eine Gruppe talentierter junger Männer aus Liverpool, die eine der beliebtesten Bands aller Zeiten gründeten.

‍

Wie kann ich NER nutzen, um mein SEO zu verbessern?

Wenn Sie NER verstehen, können Sie besser nachvollziehen, wie Suchmaschinen Ihre Inhalte bewerten und SERPs erstellen. Ihre beste Option ist es, die aus NER gewonnenen Erkenntnisse zu nutzen, um die Relevanz und Qualität von Inhalten zu verbessern und so ein besseres Nutzererlebnis auf Ihrer Website zu schaffen. Im Folgenden finden Sie einige spezifische Strategien, die Ihnen dabei helfen, NER in Ihre Content-Strategie und Ihre SEO-Bemühungen einzubinden:

‍

• Optimieren Sie für bestimmte Entitäten.  Stellen Sie Nachforschungen über Content Marketing an. Gibt es bestimmte Unternehmen, Produkte oder Standorte, die in Ihrer Branche eine wichtige Rolle spielen? Stellen Sie sicher, dass Ihr Inhalt diese Unternehmen auf natürliche Weise in den Text einbezieht.
• ‍Erstellen Sie gezielte Inhalte. Erstellen Sie Inhalte zu Themen, die in Ihrer Branche bereits gut laufen. So können Sie Ihre Inhalte auf das abstimmen, was Nutzer und Suchmaschinen für wertvoll halten. Rellify ist der Experte für die Optimierung von Inhalten und nutzt tiefes maschinelles Lernen, um Themen zu gruppieren und Schlüsselwörter zu entwickeln, die auf den SERPs gut ranken werden.
• Verbessern Sie Ihr technisches SEO. Nehmen Sie relevante Entitäten in Ihre Metadaten auf (Titel-Tags, Meta-Beschreibungen und Kopfzeilen). Dies kann die Relevanz Ihrer Seiten für spezifische Suchanfragen im Zusammenhang mit diesen Entitäten verbessern. Sie sollten auch strukturierte Daten (Schema Markup) für Entitäten implementieren, die durch NER identifiziert wurden.
• Interne Verlinkung. Identifizieren Sie wichtige Elemente in Ihrem Inhalt und verwenden Sie diese, um interne Links zu verwandten Seiten auf Ihrer Website zu erstellen. Dies hilft den Suchmaschinen, den Kontext und die Beziehungen zwischen Ihren Seiten zu verstehen und verbessert die SEO Ihrer Website.
• ‍Optimierung der Sprachsuche. Die Sprachsuche beinhaltet oft Fragen zu bestimmten Entitäten. Verwenden Sie NER, um häufige Entitäten zu identifizieren und sie in Inhalte einzubinden, die für die Beantwortung von Sprachsuchanfragen konzipiert sind. Dies verbessert Ihre Chancen, in den Ergebnissen der Sprachsuche aufzutauchen.

Lassen Sie Rellify NER zur Steigerung Ihrer Rendite nutzen

Rellify ist der Wert von NER und natürlicher Sprachverarbeitung nicht fremd. Wir setzen sie strategisch im Kontext von Deep Learning ein, um Ihre Marke und Ihr Publikum besser zu verstehen. Wenn Sie bereit sind, Ihre Inhalte zu überarbeiten, oder nach Möglichkeiten suchen, Ihre digitalen Marketingerträge zu steigern, ist ein individuelles Relliverse™ von Rellify die richtige Lösung für Sie. Mit einem Relliverse™ können Sie künstliche Intelligenz mit tiefgreifendem maschinellem Lernen nutzen, um Themen zu clustern, Schlüsselwörter zu finden und Inhalte zu erstellen, die relevant sind und auf den Ergebnisseiten von Suchmaschinen natürlich gut ranken. Sind Sie bereit, mehr zu erfahren? Vereinbaren Sie noch heute einen Termin für eine kurze Demo mit einem unserer Experten!