Named Entity Recognition (NER): Wie KI Entitäten versteht

Was ist Named Entity Recognition (NER)?

Die Named Entity Recognition (NER) – im Deutschen auch als Entitätserkennung bezeichnet – ist eine grundlegende Disziplin des Natural Language Processing (NLP) und des Machine Learning. Sie beschreibt die Fähigkeit von Algorithmen, in unstrukturierten Textdokumenten benannte Entitäten (wie Personen, Unternehmen, Orte, Produkte, Kunstwerke oder Datumsangaben) automatisch zu lokalisieren und präzisen semantischen Klassen zuzuordnen.

Für moderne Suchmaschinen und generative Antwortsysteme ist NER das entscheidende Werkzeug, um den Übergang von der reinen Textsuche zur semantischen Suche zu meistern. Wenn Google, ChatGPT oder Perplexity einen Webseitentext crawlen, zählen sie keine Keyword-Wiederholungen mehr. Sie zerlegen den Text mithilfe von NER in seine semantischen Bausteine, analysieren die Beziehungen der erkannten Entitäten und gleichen diese mit dem globalen Knowledge Graph ab.

Jörg Zimmer

Senior SEO & AI Search Consultant

„Durch die Analyse von Daten kann man das Verhalten und die Wünsche der Zielgruppe besser verstehen und die Marketingstrategie entsprechend anpassen.“

Wie NER funktioniert: Vom Fließtext zur semantischen Karte

Der Prozess der Entitätserkennung durchläuft im NLP-Modell mehrere aufeinander aufbauende Phasen:

[ Unstrukturierter Webtext: "Jörg Zimmer leitet SEO-Projekte in Berlin." ]
                                   │
                                   ▼
+-------------------------------------------------------------------------+
|  1. Tokenisierung & Part-of-Speech Tagging                              |
|  Identifikation von Eigennamen, Verben, Substantiven und Satzstrukturen |
+-------------------------------------------------------------------------+
                                   │
                                   ▼
+-------------------------------------------------------------------------+
|  2. Klassifikation (Named Entity Recognition)                           |
|  "Jörg Zimmer" -> PERSON | "Berlin" -> LOCATION | "SEO" -> TOPIC        |
+-------------------------------------------------------------------------+
                                   │
                                   ▼
+-------------------------------------------------------------------------+
|  3. Salienz-Berechnung (Salience Score)                                 |
|  Gewichtung der Wichtigkeit der Entitäten im Kontext des Dokuments       |
+-------------------------------------------------------------------------+
                                   │
                                   ▼
+-------------------------------------------------------------------------+
|  4. Entity Linking & Disambiguierung                                    |
|  Abgleich mit Wikidata (Q-IDs) und Zuweisung im Knowledge Graph         |
+-------------------------------------------------------------------------+

1. Tokenisierung: Der Text wird in einzelne Spracheinheiten zerlegt.
2. Klassifikation: Machine-Learning-Klassifikatoren ordnen den Tokens Entitätstypen zu (PERSON, ORGANIZATION, LOCATION, EVENT, CONSUMER_GOOD).
3. Salience (Salienz): Algorithmen ermitteln anhand syntaktischer Tiefe und Position, welche Entität das Hauptthema darstellt.
4. Entity Linking: Über Disambiguierung wird die identifizierte Entität mit externen Knoten wie Wikidata verknüpft.

Salienz: Der geheime Rankingfaktor im semantischen SEO

Viele Webseiten ranken nicht für ihre Wunschthemen, weil ihre Entitäten-Salienz verwässert ist. Wenn du einen Artikel über „Enterprise SEO Beratung“ verfasst, aber 60 % des Textes über allgemeine Büromöbel oder IT-Infrastruktur sprichst, stuft die Google NLP API die falschen Entitäten als hochsalient ein.

Für erstklassige Zitationschancen in KI-Overviews und hohe Rankings im Entitäten SEO gilt:

• Fokussierte Spitzenpositionierung: Die Hauptentität muss in der H1-Überschrift, der Einleitung und den ersten 150 Wörtern klar etabliert sein.
• Semantisches Co-Occurrence Netzwerk: Verwende fachlich eng verwandte Entitäten, die das Thema logisch stützen.
• Hohe Salienzwerte: In Tests mit der Google Natural Language API sollte deine Ziel-Entität einen Salience-Wert von über 0.30 bis 0.50 aufweisen.
• Robuste Faktenbasis: Je konsistenter deine Aussagen mit der Ground Truth übereinstimmen, desto höher fällt der Confidence Score aus.

Quellcode schlägt Textinterpretation: Schema.org als NER-Abkürzung

Obwohl NLP-Systeme hochentwickelt sind, beruht Textanalyse stets auf Wahrscheinlichkeiten. Crawler müssen raten und interpretieren. Mit strukturiertem Schema.org Markup nimmst du der Suchmaschine diese Unsicherheit vollständig ab.

Indem du deine Entitäten direkt im JSON-LD-Format deklarierst, lieferst du die NER-Klassifikation und das Entity Linking vorab servierfertig mit. Nutze einen modernen Schema Markup Generator oder baue deine Relationen mit unserem interaktiven Entitäten Graph Generator. Die visuelle Überprüfung verwaister Knoten gelingt nahtlos im Schema Graph Visualizer.

Die offizielle Agentenbox: Content Entity Extraction & Salience Optimierung