Semantische Suche

Ausführliche Erklärung

Im Gegensatz zur klassischen Keyword-Suche, die primär auf Wortübereinstimmungen basiert, analysiert die semantische Suche die Beziehungen zwischen Wörtern, Sätzen und Konzepten. Technisch basiert sie auf sogenannten Embeddings – numerischen Darstellungen von Texten als hochdimensionale Vektoren. Texte mit ähnlicher Bedeutung erhalten dabei ähnliche Vektorwerte, auch wenn sie völlig unterschiedliche Formulierungen verwenden. Die Suche erfolgt dann über Ähnlichkeitsvergleiche dieser Vektoren in speziellen Vektordatenbanken.

Für KMU wird semantische Suche vor allem in drei Bereichen relevant: bei der internen Wissenssuche in Dokumentenmanagementsystemen, bei der Produktsuche in Onlineshops sowie im Kundenservice. Anstatt dass Mitarbeitende oder Kunden exakt die richtigen Fachbegriffe kennen müssen, können sie Anfragen in natürlicher Sprache formulieren. Das System findet dennoch die passenden Informationen, Produkte oder Lösungsansätze – selbst wenn die Formulierung von den hinterlegten Dokumenten abweicht.

Die Implementierung erfordert den Einsatz von Sprachmodellen zur Erstellung der Embeddings und einer geeigneten Infrastruktur für die Vektorsuche. Mittlerweile existieren jedoch auch Open-Source-Lösungen und cloud-basierte Dienste, die den Einstieg für kleinere Unternehmen erleichtern. Wichtig ist eine saubere Datenbasis: Je strukturierter und qualitativ hochwertiger die zu durchsuchenden Inhalte sind, desto präziser funktioniert die semantische Suche. In der Praxis wird sie häufig mit klassischen Suchverfahren kombiniert, um sowohl bedeutungsbasierte als auch exakte Begriffssuchen abzudecken.

Code-Beispiel

from sentence_transformers import SentenceTransformer
import numpy as np

# Modell laden
model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')

# Dokumente in Vektoren umwandeln
docs = [
    "AfA für Dienstwagen beträgt 6 Jahre",
    "Urlaubsanspruch beträgt 25 Tage",
    "Abschreibung Firmenwagen erfolgt linear"
]
doc_embeddings = model.encode(docs)

# Suchanfrage
query = "Nutzungsdauer Geschäftsfahrzeug"
query_embedding = model.encode([query])

# Ähnlichkeit berechnen
from sklearn.metrics.pairwise import cosine_similarity
similarities = cosine_similarity(query_embedding, doc_embeddings)[0]

# Relevanteste Dokumente
best_match = np.argmax(similarities)
print(f"Bestes Ergebnis: {docs[best_match]}")