Entity

Eine Entity bezeichnet ein eindeutig identifizierbares Objekt der realen Welt, etwa eine Person, eine Organisation, einen Ort oder ein Werk. Suchsysteme verarbeiten Entitäten als Knoten in einem Wissensgraphen und hinterlegen dazu Eigenschaften sowie Beziehungen zu anderen Entitäten. Google fasste dieses Prinzip 2012 in der Formel things, not strings zusammen.^[1] Im Kontext der Generative Engine Optimization entscheidet die eindeutige Erkennung darüber, ob KI-Systeme eine Marke als verlässlichen Bezugspunkt einordnen.^[6]

Suche bestand über vier Jahrzehnte darin, Suchbegriffe mit Dokumenten abzugleichen. Zwei Wörter blieben für die Maschine schlicht zwei Wörter.^[1] Mit dem Knowledge Graph stellte Google im Mai 2012 ein Modell vor, das Objekte der realen Welt und deren Beziehungen zueinander erfasst.

Der Graph enthielt bereits zum Start mehr als 500 Millionen Objekte sowie über 3.5 Milliarden Fakten und Verbindungen zwischen diesen Objekten. Als Grundlage dienten öffentliche Bestände wie Freebase, Wikipedia und das CIA World Factbook.^[1]

Eine Entity löst Mehrdeutigkeiten auf. Die Zeichenfolge Taj Mahal kann ein Bauwerk, einen Musiker oder ein Restaurant bezeichnen. Erst die Zuordnung zu einer konkreten Entity legt fest, welches Objekt gemeint ist.^[1]

Entscheidend ist die Vernetzung. Der Graph bildet nicht nur einen Katalog von Objekten ab, sondern modelliert auch deren Verhältnisse untereinander. Die Intelligenz liegt somit in den Verbindungen zwischen den Entitäten.^[1]

Named Entity Recognition bildet den ersten Schritt. Dieses Verfahren der Sprachverarbeitung identifiziert vordefinierte Kategorien in einem Text, darunter Namen von Personen, Organisationen und Orten sowie Zeitangaben, Mengen und Geldbeträge.^[3] Der Begriff entstand auf der sechsten Message Understanding Conference und diente ursprünglich der Informationsextraktion.

Die Verfahren teilen sich in drei Gruppen. Regelbasierte Ansätze nutzen grammatische Muster, lernende Ansätze trainieren Modelle auf annotierten Daten, hybride Ansätze verbinden beides. Transformer-Modelle wie BERT prägten diese Entwicklung, da sie den vollständigen Kontext eines Wortes auswerten.^[3]

Nach der Erkennung folgt die Auflösung. Die Cloud Natural Language API von Google gibt zu jeder Entity einen Namen, einen Typ sowie Metadaten aus und ergänzt bei bekannten Objekten eine Knowledge-Graph-Kennung und einen Wikipedia-Verweis.^[2] Über diese Kennung verbindet das System die Textstelle mit einem eindeutigen Eintrag.

Zusätzlich bewertet die Schnittstelle die Salienz, also wie zentral eine Entity für den Text ist. Sie unterscheidet außerdem, ob eine Nennung als Eigenname oder als allgemeine Bezeichnung auftritt, und gibt dazu eine Wahrscheinlichkeit an.^[2]

Entitäten wirken wie Primärschlüssel für Ideen. Zeichnest du denselben Autor, dasselbe Produkt oder dieselbe Marke seitenübergreifend konsistent aus, bleibt die referenzielle Integrität im Wissensgraphen des Modells erhalten.^[6]

Verweisen eine Über-uns-Seite, ein Profil und eine Leistungsseite auf denselben Organization-Eintrag, gewinnt das System Sicherheit und führt diese Angaben zusammen. Das erhöht die Wahrscheinlichkeit, dass die Marke als autoritativer Knoten in generierten Antworten erscheint.^[6]

Fehlt die konsistente Auszeichnung, behandelt das Modell die Angaben als fehlerhafte Übergabe und entfernt sie aus der Antwort.^[6] Strukturierte Daten liefern dagegen ausdrückliche Hinweise auf die Bedeutung einer Seite und helfen Google, Angaben über Personen, Bücher und Unternehmen einzuordnen.^[4]

Eine Marke kann in einer KI-Antwort auch ohne Verlinkung genannt werden. Eine solche Brand Mention zeigt, dass das Modell die Entity aus den Trainingsdaten kennt, jedoch keine Quelle zuordnet.^[7]