Du interessierst Dich für das Thema semantische Suche bzw. semantische Suchmaschinen. Dann bist Du in unserem Glossar für Fachbegriffe aus dem (Online-) Marketing genau richtig. In diesem Beitrag bekommst Du alle wichtigen Informationen zum Thema semantische Suche.
Inhaltsverzeichnis
Was ist eine semantische Suchmaschine? Was ist semantische Suche?
Eine semantische Suchmaschine berücksichtigt den Kontext einer Suchanfrage, um die Bedeutung des Suchterms besser zu verstehen. Im Gegensatz zu rein Keyword basierten Such-Systemen soll in der semantischen Suche die Bedeutung bzw. Suchintention der Suchanfrage und von die Bedeutung von Dokumenten besser interpretiert werden. Während Keyword basierte Suchmaschinen auf Grundlage eines Keyword-Text-Abgleich funktionieren, berücksichtigen semantische Suchmaschinen auch die Beziehungen zwischen Entitäten für die Ausgabe von Suchergebnissen.
Welche semantischen Suchmaschinen gibt es?
Es gibt eine Reihe semantischer Suchmaschinen, die allerdings relativ einfach funktionieren bzw. nur einen kleine Datenbestand verfügen.
Google ist die Suchmaschine mit dem größten semantischen Datenbestand in Form des Knowledge Graph und dem Knowledge Vault.
Wie funktioniert Google als semantische Suche?
Entitäten sind die zentrale Organisationseinheit innerhalb des Knowledge Graph. Grundsätzlich kann zwischen „Named Entities“ (zu Deutsch: benannten Entitäten) und Konzepten unterschieden werden. Benannte Entitäten sind Objekte aus der echten Welt, wie beispielsweise Personen, Orte, Organisationen, Produkte, Events etc.
Konzepte sind abstrakte Entitäten physikalischer, psychologischer oder sozialer Natur, wie etwa Entfernung, Quantität, Emotionen, Menschenrechte, Friede etc. Mehr zum Thema „Entitäten“ findet ihr im Glossar von Aufgesang und im Beitrag „Alles was Du zu Entitäts-Typen, -Klassen & Attributen wissen solltest“.
Als Grundlage für den Knowledge Graph dienen drei Ebenen:
- Entitäten-Katalog: Hier werden alle Entitäten gespeichert, die mit der Zeit identifiziert worden sind.
- Knowledge Repository: Die Entitäten werden in einem Wissensdepot (Knowledge Repository) mit den Informationen bzw. Attributen aus verschiedenen Quellen zusammengeführt. Im Knowledge Repository geht es in erster Linie um die Zusammenführung und Speicherung von Beschreibungen und die Bildung semantischer Klassen bzw. Gruppen in Form von Entitätstypen. Die Daten generiert Google über den Knowledge Vault. Über den Knowledge Vault ist es Google möglich, Data Mining aus unstrukturierten Quellen zu betreiben.
- Knowledge Graph: Im Knowledge Graph werden die Entitäten mit Attributen verknüpft und Beziehungen zwischen Entitäten hergestellt.
Für die Identifikation von Entitäten und der dazugehörigen Informationen kann Google auf verschiedene Quellen zurückgreifen.

Übersicht: Datenquellen für den Google Knowledge Graph
Mehr zum Thema „Erfassung von Informationen aus strukturierten Daten und Data Mining aus unstrukturierten Daten“ in den Beiträgen „Wie verarbeitet Google Informationen aus der Wikipedia für den Knowledge Graph?“ und „Wie kann Google aus unstrukturierten Inhalten Entitäten identifizieren und deuten?“.
Nicht alle im Knowledge Repository erfassten Entitäten werden in den Knowledge Graph übernommen. Folgende Kriterien könnten über die Aufnahmen in den Knowledge Graph entscheiden:
Generelle Kriterien:
- Nachhaltige gesellschaftliche Relevanz
- Genügend Suchtreffer für die Entität im Google-Index
- Anhaltende öffentliche Wahrnehmung
- Einträge in einem anerkannten Lexikon oder einer anerkannten Enzyklopädie bzw. in einem fachspezifischen Nachschlagewerk
Die Google-Suche basiert heute auf einem Query-Processor für die Interpretation von Suchanfragen und der Zusammenstellung von Korpussen aus für die Suchanfrage relevanten Dokumenten. Hier kommt BERT und Rankbrain zum Einsatz.
Dabei greift Google auf den klassischen Such-Index, als auch auf die eigene semantische Datenbank in Form des Knowledge Graph zurück. Es ist wahrscheinlich, dass es zwischen diesen beiden Datenbanken ein Austausch über eine Schnittstelle stattfindet.
Eine Scoring Engine aus verschiedenen Algorithmen basierend auf dem Kern-Algorithmus von Hummingbird ist für das Scoring also die Bewertung der Dokumente zuständig und bringt diese dann anhand des Scorings in eine Reihenfolge.
Über eine Cleaning Engine werden diese Suchergebnisse dann von Duplikaten befreit und etwaige Abstrafungen berücksichtigt.

Übersicht: Funktionsweise der semantischen Suche bei Google
So kann Google die Bedeutung von Suchtermen identifizieren, ohne dass die eigentlichen Begriffe im Suchterm vorkommen. Die Suchanfrage nach „sängerin blank space“ ergibt folgendes Suchergebnis:

Knowledge Card für Taylor Swift
Diese Interpretation der Suchanfrage und Ausgabe der Informationen kann nur funktionieren, wenn die verschiedenen Entitäten aus dem Song Blank Space, der Personen-Entität Taylor Swift in Beziehung zueinander gesetzt werden können, was im Knowledge Graph von Google passiert.

Beziehungen im Google Knowledge Graph
Die Geschichte von Google als semantische Suchmaschine
Hier eine Aufstellung der bedeutensten Innovationen, die Google seit 2010 auf dem Weg zur semantischen Suchmaschine eingeführt hat:
- 2010: Google kauft Freebase, eine vom Unternehmen Metaweb erstellte semantische Datenbank mit strukturierten maschinenlesbaren Daten zu Entitäten. Die erste Version den Knowledge Graph wurde durch Daten aus Freebase gespeist. 2014 wurde Freebase in das Projekt Wikidata übertragen. Von den ursprünglich ca. 10 Millionen Datensätzen aus Freebase wurde aber nur ein Teil übertragen.
- 2012: Google führt den Knowledge Graph in Form der Knowledge Panels und Knowledge Cards in die Suche ein. Ein Knowledge Graph ist eine Wissens-Datenbank, in der Informationen so strukturierte aufgearbeitet sind, dass aus den Informationen Wissen entsteht. Ein einem Knowledge Graph werden Entitäten (Knoten) über Kanten in Beziehung zueinander gestellt, mit Attributen versehen und in thematischen Kontext bzw. Ontologien gebracht. Dazu weiter unten in diesem Beitrag mehr oder hier >>> Google Knowledge Graph einfach erklärt
- 2013: Google stellt das Hummigbird-Update als neue Generation der Ranking-Algorithmen vor. Die Einführung von Hummingbird zum 15. Geburtstag von Google im Jahr 2013 war der endgültige Startschuss der semantischen Suche für Google. Google selbst hat dieses Algorithmus-Update als das bedeutenste seit dem Caffeine Update im Jahr 2010 bezeichnet. Es soll zur Einführung ca. 90% aller Suchanfragen betroffen haben und war im Vergleich zu Caffeine ein echtes Algorithmus-Update. Es soll dabei helfen komplexere Suchanfragen besser zu deuten und noch besser die eigentliche Suchintention bzw. Fragestellung hinter einer Suchanfrage zu erkennen sowie passende Dokumente dazu anzubieten. Auch auf Dokumentenebene soll die eigentliche Intention hinter dem Content besser mit der Suchanfrage gematcht werden. Mehr dazu >>> Was ist Google Hummingbird?
- 2014: Google stellt den Knowledge Vault vor. Ein System zur Identifikation und Extraktion von Tail-Entitäten, um den Ausbau des „Long Tail of Knowledge“ voranzutreiben. Über den Knowledge Vault ist es Google möglich, Data Mining aus unstrukturierten Quellen automatisiert zu betreiben und könnte die Grundlage für die nachfolgenden Innovationen in Sachen Natural Language Processing sein.
- 2014: Google führt E-A-T zur Bewertung von Websites in den Quality Rater Guidelines ein. Auf den ersten Blick ist die Brücke zur semantischen Suche nicht zu ziehen. Indirekt bietet das Entitäten-Konzept und Graphen-Konstrukt von semantischen Datenbanken aber eine ideale Grundlage für eine themenbezogen qualitative Bewertung von Entitäten (Publisher & Autoren) und deren Content hinsichtlich Expertise, Autorität und Trust. Ein Entitäten basierter Index macht es möglich Entitäten wie Autoren, Publisher, Marken, Domains … Ganzheitlich zu betrachten. Das gelingt nicht wenn man nur einzelne URLs, Bilder … betrachtet, wie die klassischen Google Indizes es tun. Mehr zu E-A-T >>>> E-A-T (Expertise, Autorität, Trust) erklärt Mehr zu den Google Quality Rater Guidelines >>> Die Google Quality Rater Guidelines & wichtigsten Erkenntnisse für SEO
- 2015: Google führt mit Rankbrain offiziell Machine Learning in die Google-Suche ein. Über Vektorraumanalysen will die Suchmaschine Suchanfragen und generell Begrifflichkeiten besser in eine Beziehung, thematische Nähe bzw. einen Kontext verorten. Dadurch können u.a. Suchanfragen hinsichtlich der Suchintention besser interpretiert werden.
- 2018: Google stellt BERT als neue Technologie für die bessere Interpretation von Suchanfragen und Texten vor. BERT nutzt Natural Language Processing um Suchanfragen, Sätze, Fragen, Textabschnitte und generell Content besser semantisch zu verstehen. Mehr zum Thema Natural Language Processing nachfolgend in diesem Beitrag oder hier >>> Natural Language Processing(NLP) einfach erklärt
- 2021: Google stellt MUM als neue Technologie für das bessere semantische Verständnis von Suchanfragen, Fragen, Content in verschiedenen Formen (Text, Video, Audio, Bild) und dem der Erschließung des „Wissens der Welt“ vor. Mit MUM kann Google die semantische(n) Datenbank(en) wie dem Knowledge Graph noch schneller und umfänglicher mit Informationen zu Entitäten erweitern.
Nachfolgend das Ganze noch mal als Infografik zur freien Verwendung für z.B. Social Media.
FAQ zu semantischen Suchmaschinen
Wie semantisch ist die Google-Suche?
Aufgrund der Fortschritte, die Google in den letzten Jahren beim Deep-Learning gemacht hat ist davon auszugehen, dass das semantische Verständnis in der Zukunft sich exponentiell verbessert hat und weiter wird.
Warum ist ein semantisches Verständnis für Suchmaschinen so wichtig?
Durch semantische Methoden sind Suchmaschinen besser in der Lage die Bedeutung von Suchanfragen und deren Suchintention, als auch die Bedeutung von Dokumenten besser zu erkennen.
Welche Rolle spielen Entitäten in der semantischen Suche?
Entitäten sind das zentrale Element für semantische Suchmaschinen, um ein besseres Verständnis von Suchanfragen, Dokumenten und Websites zu bekommen.
Weitere Quellen zur semantischen Suche
- https://blog.searchmetrics.com/de/semantik-entitaeten-im-seo/
- https://blog.bloofusion.de/entitaten-sentiment-seo/
- https://www.jaeckert-odaniel.com/podcast/interview-olaf-kopp/
- https://www.termfrequenz.de/podcast/car-mar-om-podcast/entitaeten-bert-e-a-t-und-mitarbeiter-gast-olaf-kopp/
- https://www.websiteboosting.com/magazin/57/entitaeten-basierte-suche-so-funktioniert-der-google-knowledge-graph.html
- Evolution des Marketings: Von Werbung zu Content – Von Push zu Pull - 16. Mai 2022
- Wie erstellt man Personas für das Online-Marketing? (Premium) - 8. Mai 2022
- Entitäten bei der Interpretation von Suchanfragen - 8. Mai 2022
- CTR & Ranking: Wie wichtig ist die Klickrate als Ranking-Faktor? - 8. Mai 2022
- E-A-T als kritischer Rankingeinfluss: 10 Tipps für die Optimierung - 8. Mai 2022
Blog-Artikel zu diesem Thema
Entitäten bei der Interpretation von Suchanfragen

Video: Entitäten basierte Suche – Alles zum Knowledge Graph, NLP, Ranking, E A T und Semantik in der SEO

Alles was Du zu Entitäts-Typen, -Klassen & Attributen wissen solltest

Wie verarbeitet Google Informationen aus der Wikipedia für den Knowledge Graph?

Entitäten & E-A-T: Die Rolle von Entitäten bei Autorität und Trust

E-A-T-Optimierung: Wie optimiert man E-A-T bei Google?

Wie kann Google über Entitäten, NLP & Vektorraumanalysen relevante Dokumente identifizieren und ranken?

Google MUM Update: Was erwartet SEOs in der Zukunft?

18 E-A-T-Bewertungs-Faktoren für das Ranking bei Google

Indexierung und SERP-Auslieferung nach Themen bzw. Entitäten

Kontextuelle Suche für Multimedia-Content

Googles Weg zur semantischen Suchmaschine

Youtube: Interpretation und Ranking von Videos via Entitäten

Wie Google Fragen auf Basis unstrukturierter Daten beantworten kann

Die semantische Bedeutung von Keywords bei modernen Suchmaschinen (Premium)

Indexierung und Darstellung von Medien in einem Entitäten-basierten Index (Premium)

Das Internet als Datengraph und wie Google daraus Informationen zu Entitäten extrahiert

Personalisierung und Darstellung von Informationen zu einer Entität (Premium)

Knowledge Graph für alle: Google führt personenbezogene Search Profile Cards ein

Wie erstellt Google Knowledge Panel & Knowledge Cards? (Premium)

Die Rolle von Natural Language Processing für Data Mining, Entitäten & Suchanfragen (Premium)

Entitäten-basierte Indexierung: Vom Content-Index zum Entitäten-Index (Premium)

SEO-Aufgaben: Was macht ein(e) SEO-Manager(in)?

Wie schlau ist Google? Echtes semantisches Verständnis oder nur Statistik? (Premium)

Das semantische Web (Web 3.0) als logische Konsequenz aus dem Web 2.0

Semantische Themen finden: Wie identifiziert man semantisch verwandte Keywords?

Happy Hash-Tagging bei Google! Semantische Verbindung von Inhalten und Entitäten

Branding & das neue Google Ranking: Warum SEO nicht mehr reicht…

Google achtet jetzt auf innere Werte
