Semantische Suche

Die semantische Suche ist ein Ansatz für die Suche, bei dem Ergebnisse nach Bedeutung und Absicht abgeglichen werden, nicht nur nach exakter Schlüsselwortübereinstimmung. In modernen Systemen wird dies üblicherweise umgesetzt, indem Abfragen und Inhalte als Embeddings dargestellt werden (numerische Vektoren, die semantische Beziehungen erfassen), und anschließend die Elemente mit den ähnlichsten Vektoren abgerufen werden. So kann eine Abfrage wie „bester Wein zu Meeresfrüchten“ mit Inhalten wie „passt gut zu Fisch“ übereinstimmen, selbst wenn die exakten Begriffe unterschiedlich sind.

Kurz gesagt: Die semantische Suche konzentriert sich auf die Bedeutung, sodass sie relevante Ergebnisse zurückgeben kann, selbst wenn Benutzer und Dokumente unterschiedliche Formulierungen verwenden.

Wie die semantische Suche funktioniert

Eine gängige Implementierung übersetzt Bedeutung in Geometrie, wo Ähnlichkeit gemessen werden kann:

1. Inhalt einbetten: Jedes Dokument oder jede Passage wird in ein Embedding umgewandelt und gespeichert (in der Regel im Voraus), oft in einer Vektordatenbank.
2. Abfrage einbetten: Zum Zeitpunkt der Suche wird die Abfrage mit derselben Modellfamilie codiert.
3. Nach Ähnlichkeit vergleichen: Das System findet die gespeicherten Vektoren, die dem Abfragevektor am nächsten sind (zum Beispiel mit Kosinus-Ähnlichkeit), und berechnet einen Retrieval-Score.
4. Top-Übereinstimmungen zurückgeben: Elemente mit höherer Punktzahl werden als die semantisch relevantesten Ergebnisse zurückgegeben.

Die Kernidee besteht darin, dass semantisch ähnliche Elemente im Darstellungsraum tendenziell nahe beieinander liegen, sodass die Distanz als Näherungswert für Relevanz dienen kann.

Semantische Suche vs. Schlüsselwortsuche und hybride Suche

• Schlüsselwortsuche (lexikalische Suche) gleicht wörtliche Begriffe ab und ist stark bei Namen, Codes und seltenen exakten Zeichenfolgen, kann aber Umschreibungen und Synonyme verpassen. Die semantische Suche verbessert den Recall bei umformulierten Abfragen, gewichtet jedoch möglicherweise strikte wörtliche Übereinstimmungen zu gering.
• Hybride Suche kombiniert lexikalische und semantische Signale und fusioniert in der Regel beide Ergebnismengen. Im Verhältnis zur hybriden Suche bezieht sich die semantische Suche allein auf die bedeutungsorientierte Komponente.
• Vektorsuche ist ein gängiger Retrieval-Mechanismus für die semantische Suche (Nächste-Nachbarn-Suche über Embeddings). In der Praxis werden die Begriffe oft synonym verwendet, aber „semantische Suche“ ist das umfassendere Ziel: Relevanz durch Bedeutung.

Wo die semantische Suche verwendet wird

• Endnutzersuche: Verbraucher- und Site-Sucherlebnisse, die natürlichsprachliche Formulierungen und Absichten besser verarbeiten.
• RAG und KI-Antwortmaschinen: Das semantische Retrieval wählt Passagen aus, die der Bedeutung einer Frage am besten entsprechen, und stellt diesen Kontext dann einem LLM zur Verfügung.
• Empfehlungen und Discovery: Auffinden verwandter Produkte, Artikel oder Elemente anhand semantischer Ähnlichkeit statt nur gemeinsamer Tags.
• Web-Such-APIs: Eine Such-API kann semantisches oder neuronales Ranking bereitstellen, sodass Entwickler bedeutungsbewusste Retrieval-Schichten für RAG und verwandte KI-Workflows erstellen können, ohne ihren eigenen Embedding- und Vektor-Stack betreiben zu müssen.

Die semantische Suche ist besonders nützlich, wenn sich die Formulierungen der Benutzer und der Quellenwortlaut unterscheiden, was bei natürlichsprachlichen Abfragen häufig der Fall ist.

Verwandte Begriffe

Embeddings, Vektordatenbank, hybride Suche, Schlüsselwortsuche, Kosinus-Ähnlichkeit, Retrieval-Score, Reranking, Retrieval-Augmented Generation (RAG), großes Sprachmodell (LLM).