Was ist die semantische Suche?

Die semantische Suche ist eine Suchmaschinentechnologie, die die Bedeutung von Wörtern und Sätzen auswertet. Die Ergebnisse der semantischen Suche liefern Inhalte zurück, die der Bedeutung einer Abfrage entsprechen, im Gegensatz zu Inhalten, die mit den Suchbegriffen wortwörtlich übereinstimmen.

Die semantische Suche besteht aus einer Reihe von Suchmaschinenfunktionen, etwa um die Wörter und die Absichten der Nutzer sowie deren Suchkontext zu verstehen.

Diese Art von Suche verbessert die Qualität der Suchergebnisse, indem die natürliche Sprache exakt und kontextbezogen interpretiert wird. Dazu verwendet die semantische Suche Technologien wie etwa Machine Learning und künstliche Intelligenz, um semantische Bedeutung zu Nutzerabsichten zuzuordnen.

Die semantische Suche basiert auf der Vektorsuche, mit der Inhalte anhand von Kontext- und Absichtsrelevanz abgerufen und geordnet werden können. Die Vektorsuche kodiert Details von durchsuchbaren Informationen in Feldern mit verwandten Begriffen oder Elementen zu Vektoren und vergleicht die Vektoren anschließend, um deren Ähnlichkeit zu ermitteln.

Eine auf Vektorsuche basierende semantische Suche verarbeitet beide Enden der Abfrage-Pipeline gleichzeitig, um Ergebnisse zu liefern: Die Suchmaschine transformiert gestellte Abfragen in Einbettungen, die aus numerischen Darstellungen von Daten und verwandtem Kontext bestehen. Diese Einbettungen werden in Vektoren gespeichert. Der kNN-Algorithmus (k-Nearest-Neighbor) gleicht anschließend Vektoren vorhandener Dokumente (die semantische Suche bezieht sich immer auf Texte) mit den Abfragevektoren ab. Anschließend generiert die semantische Suche Ergebnisse und weist ihnen anhand der begrifflichen Relevanz einen Rang zu.

1. Die Suchmaschine transformiert gestellte Abfragen in Einbettungen, die aus numerischen Darstellungen von Daten und verwandtem Kontext bestehen. Diese Einbettungen werden in Vektoren gespeichert.
2. Der kNN-Algorithmus (k-Nearest-Neighbor) gleicht anschließend Vektoren vorhandener Dokumente (die semantische Suche bezieht sich immer auf Texte) mit den Abfragevektoren ab.
3. Anschließend generiert die semantische Suche Ergebnisse und weist ihnen anhand der begrifflichen Relevanz einen Rang zu.

Kontext
Bei der semantischen Suche umfasst der Kontext alle zusätzlichen Informationen, wie etwa den geografischen Standort des Nutzers, den Kontext in den Wörtern der Abfrage oder den Suchverlauf des Nutzers.

Die semantische Suche nutzt Kontexthinweise, um die Bedeutung von Wörtern in einem Datensatz bestehend aus Millionen von Beispielen zu ermitteln. Die semantische Suche identifiziert außerdem, welche anderen Wörter in einem ähnlichen Kontext verwendet werden können.

Eine Suche nach „football“ würde sich in den USA beispielsweise auf Fußball beziehen, und in Großbritannien und anderen Teilen der Welt auf Football. Die semantische Suche liefert je nach geografischem Standort der Nutzer unterschiedliche Ergebnisse.

Suchabsicht
Die semantische Suche dient dazu, das Erlebnis der Nutzer zu verbessern. Sie wertet die Absichten und Bedürfnisse der Nutzer aus, um möglichst relevante Ergebnisse zu liefern. Suchen sie nach Informationen? Möchten sie etwas kaufen? Anhand der Abfrage und des Kontexts weist die semantische Suche den Ergebnissen je nach Relevanz einen Rang zu.

Die semantische Suche kann auch mit einer Abfragekategorisierung angepasst oder verbessert werden, etwa um Produkte mit möglichst hohen Bewertungen zuerst und schlecht bewertete Produkte am Ende auszugeben.

[ Verwandtes Thema: Personalisierte Sucherlebnisse für Ihre Nutzer

Gegenüberstellung: semantische Suche und Schlüsselwortsuche

Der Unterschied zwischen der semantischen Suche und der Schlüsselwortsuche besteht darin, dass die Schlüsselwortsuche Wörter mit Wörtern, Synonymen oder ähnlichen Wörtern abgleicht, um Ergebnisse zu finden. Die semantische Suche versucht dagegen, die Bedeutung der Wörter in der Abfrage zu verstehen. Es kann vorkommen, dass die semantische Suche keine Ergebnisse mit exakten Wortübereinstimmungen liefert, sondern passend zur Absicht der Nutzer.

Schlüsselwortsuchmaschinen nutzen Tools zur Erweiterung oder Interpretation von Abfragen, wie etwa Synonyme oder Wortauslassungen. Außerdem verwenden sie natürliche Sprachverarbeitung und Verständnis-Tools wie Fehlertoleranz, Tokenisierung und Normalisierung. Andererseits kann die semantische Suche mithilfe der Vektorsuche Ergebnisse liefern, die der Bedeutung entsprechen.

Stellen Sie sich den Begriff „Schokoladenmilch“ vor. Eine semantische Suchmaschine unterscheidet zwischen „Schokoladenmilch“ und „Milchschokolade“. Beide Abfragen enthalten zwar dieselben Schlüsselwörter, aber deren Reihenfolge verändert die Bedeutung. Menschen verstehen sofort, dass Milchschokolade eine Art von Schokolade ist, und Schokoladenmilch eine Milch mit Schokoladengeschmack.

Mehr als nur herkömmliche Sucherlebnisse. Lesen Sie unser Whitepaper und entdecken Sie die besten Herangehensweisen zur Integration von semantischer Suche in Ihre Anwendungen.

Die semantische Suche ist wichtig, weil sie die Suchoberfläche erweitert. Die semantische Suche basiert auf der Vektorsuche und bietet damit ein intuitiveres Sucherlebnis, bei dem der Kontext und die Absicht der Abfrage berücksichtigt werden, um Ergebnisse zu liefern.

Da die Algorithmen der semantischen Suche mit einer Reihe von Leistungskennzahlen (Key Performance Indicators, KPIs) wie etwa Conversion- und Abwanderungsraten immer weiter lernen, kann die semantische Suche die Benutzerzufriedenheit verbessern.

Technische Trends 2024 – Webinar zu den Entwicklungen bei Technologien in den Bereichen Suche und generative KI. Sehen Sie sich dieses Webinar an, um mehr über Best Practices, neue Verfahren und die Top-Trends zu erfahren, die für Entwickler:innen 2024 eine wichtige Rolle spielen werden.

Die semantische Suche liefert je nach geografischem Standort, Suchverlauf und Absichten der Nutzer unterschiedliche Ergebnisse.

Die Personalisierung berücksichtigt vorherige Suchabfragen und Interaktionen der Nutzer, um Relevanz und Rang von Antworten zu ermitteln. Die semantische Suche kann auch den Rang von Ergebnissen anpassen, je nachdem, wie andere Nutzer mit den zurückgegebenen Ergebnissen interagiert haben. Wenn Sie beispielsweise „Restaurants“ in Ihre Suchmaschine eingeben, erhalten Sie Ergebnisse aus Ihrer Nähe.

Mit einem besseren Verständnis der Nutzerabsichten kann die semantische Suche auf Abfragen wie „Schmortopf: Creuset oder Staub“ mit Produktvergleichen antworten, um der Absicht des Nutzers gerecht zu werden. Die semantische Suche erkennt die Absicht von Anfragen wie „beste Angebote Staub“ oder „Creuset Rabatte“ als Kaufabsichten und gibt entsprechende Angebote zurück.

Prädiktiver Text ist ein weiteres Beispiel. Wenn Sie eine Abfrage in eine Suchleiste eingeben, vervollständigt die semantische Suche Ihre Abfrage und empfiehlt relevante Suchbegriffe anhand von Kontext, gängigen Suchabfragen und dem bisherigen Suchverlaufe.

Die semantische Suche verbessert das Sucherlebnis und bietet damit Vorteile für Unternehmen und deren Kunden.

Benutzerfreundlichkeit für Kunden
Kunden kennen oft nicht den genauen Fachausdruck oder exakte Produktnamen. Mit der semantischen Suche können die Kunden ungefähre Suchabfragen eingeben und exakte Ergebnisse erhalten. Sie können auch mit einer Beschreibung suchen, um einen Namen zu erhalten. Sie können beispielsweise ein Lied finden, indem Sie einen Teil des Texts eingeben und den Titel als Ergebnis bekommen.

Die semantische Suche interpretiert die Bedeutung anhand von Absicht und Kontext. Daher fühlt sich die Interaktion für Kunden menschlicher an.

Konzepte sind robuster als Schlüsselwörter
Durch den Abgleich mit Konzepten anstelle von Schlüsselwörtern liefert die semantische Suche exaktere Ergebnisse. Vektoren nutzen dimensionale Einbettungen, um Wörter als Konzepte darzustellen. „Auto“ ist nicht mehr nur mit „Auto“ oder „Autos“ verbunden, sondern auch mit „Fahrer“, „Versicherung“, „Reifen“, „elektrisch“, „hybrid“ und so weiter, weil diese Wörter mit dem Vektor von „Auto“ verbunden sind.

Eine auf der Vektorsuche basierende semantische Suche erweitert also das Konzept der Übereinstimmung von Schlüsselwörtern, die als Token dargestellt werden.

Besser für Unternehmen
Die semantische Suche versteht die Nutzerabsichten besser und kann so den Umsatz und die Kundenzufriedenheit steigern. Die Absicht der Nutzer kann sich auf Informationen, Transaktionen, Navigationshilfen oder wirtschaftliche Fragen beziehen. Durch das Verständnis der Absicht können Suchmaschinen besser auf die Bedürfnisse der Kunden eingehen. Damit verbessert sich die Beziehung zwischen Kunden und Marke, was sich wiederum positiv auf das Geschäft auswirkt.

Die Elasticsearch-Plattform enthält Machine-Learning- und KI-Lösungen, darunter auch ein semantisches Suchmodell: der Elastic Learned Sparse EncodeR – oder auch ELSER. Das von Elastic trainierte NLP-Modell unterstützt die semantische Suche in Form eines mühelos einsetzbaren Tools.

Entdecken Sie mit diesem Video die Funktionsweise des Zero-Shot-Encoder-Modells von Elastic und dessen Vorteile bei der Implementierung der semantischen Suche für KI-Such-Apps und generative KI-Erlebnisse. Das Machine Learning-Modell von Elastic muss nicht trainiert werden und spart daher Zeit und Geld.

Weitere Informationen zu Elasticsearch

• Semantische Suche: Neue Sucherlebnisse für die KI-Ära
• Erläuterungen zu den Algorithmen für die KI-gestützte Suche
• Grundlagen zu Modellen für natürliche Sprachverarbeitung (Natural Language Processing, NLP) und Vektorsuche mit Elastic
• Vorteile der Vektorsuche – Fünf Gründe, warum IT-Marktführer sie für bessere Sucherlebnisse einsetzen sollten
• Video mit weiteren Informationen zur Vektorsuche und deren Anwendungsbereichen
• NLP mit Elastic bereitstellen
• kNN-Suche mit Elastic beherrschen

Wir können Ihnen helfen, aus den Daten Ihres Unternehmens Erkenntnisse zu gewinnen. Hier sind vier Vorschläge für Sie, was Sie als Nächstes tun sollten:

1. Probieren Sie Elastic Cloud kostenlos aus, um zu entdecken, wie Elastic Ihr Unternehmen unterstützen kann.
2. Lernen Sie unsere Lösungen bei einer Tour kennen, entdecken Sie die Elasticsearch-Plattform und deren Vorteile für Ihre Anforderungen.
3. Erfahren Sie, wie Sie generative KI in großen Unternehmen bereitstellen können.
4. Wenn Sie Leute kennen, die diesen Artikel interessant finden könnten, leiten Sie ihn weiter. Teilen Sie den Artikel per E‑Mail, LinkedIn, X oder Facebook.

Einbettungen: Einbettungen sind Vektordarstellungen der Bedeutung von Wörtern. Wörter nehmen diese Form an, wenn sie für eine Suche verarbeitet werden.

Invertierter Index: Ein invertierter Index ist eine Datenbank, mit der Suchmaschinen Informationen abrufen können. Sie gleicht Wörter mit Zahlen oder Zahlen mit Zahlen zu deren Ort in einer Datenbank, einem Dokument oder einer Reihe von Dokumenten ab. Ein Index auf Datensatzebene gleicht Wörter mit einem oder mehreren Dokumenten ab. Ein Index auf Wortebene gleicht Wörter mit dem Ort ab, an dem sie im Dokument vorkommen.

Natürliche Sprachverarbeitung (Natural Language Processing, NLP): Die natürliche Sprachverarbeitung ist ein Teilbereich von IT, Linguistik und künstlicher Intelligenz, der Computer in die Lage versetzt, menschliche Sprache zu verstehen und zu verarbeiten. Normalisierung: Bei der Normalisierung werden numerische Datenwerte in eine gemeinsame Skala transformiert.

Semantik: Die Semantik ist ein Teilgebiet der Linguistik und Logik, das sich mit der Bedeutung befasst. Informatik und Philosophie befassen sich gelegentlich ebenfalls mit der Semantik.

Tokenisierung: In der natürlichen Sprachverarbeitung bezieht sich Tokenisierung auf den Prozess, der Sätze in kleinere Informationseinheiten (Token) unterteilt. Dieser Prozess ermöglicht eine schnellere computergestützte Verarbeitung.