Die Wis­sen­schaft hin­ter den Such­ma­schi­nen: In­for­ma­ti­on Re­trie­val er­klärt

Wie Such­ma­schi­nen ar­bei­ten, habe ich im letz­ten Blog­ar­ti­kel dar­ge­stellt. Doch wie ge­nau funk­tio­niert das Fin­den von be­stimm­ten In­for­ma­tio­nen in den un­zäh­li­gen Men­gen an Da­ten bei ei­ner Such­ma­schi­ne ge­nau, da­mit blitz­schnell re­le­van­te Such­ergeb­nis­se für den Nut­zer aus­ge­spielt wer­den kön­nen?

Ge­nau hier kommt „In­for­ma­ti­on Re­trie­val (der Ab­ruf von In­for­ma­tio­nen)“ zum Ein­satz. Das ist so­zu­sa­gen die Wis­sen­schaft hin­ter den Such­ma­schi­nen.

Was das ge­nau ist und wel­che Mo­del­le es gibt, zei­ge ich in die­sem Ar­ti­kel.

Was ist In­for­ma­ti­on Re­trie­val und war­um ist das für SEO re­le­vant?

In­for­ma­ti­on Re­trie­val ist eine Dis­zi­plin aus dem Be­reich der In­for­ma­tik und hat das Fin­den von be­stimm­ten In­for­ma­tio­nen aus gro­ßen, un­ge­fil­ter­ten Da­ten­men­gen zur Auf­ga­be. Ge­nau die­se Auf­ga­be gibt es bei ei­ner Such­ma­schi­ne für die Be­rei­che Craw­ler, In­dex­er und Sear­cher.

Der Sear­cher muss auf eine Such­an­fra­ge die best­mög­li­chen Such­ergeb­nis­se für den Nut­zer aus­spie­len. Dazu greift er auf die auf­be­rei­te­ten Da­ten aus dem In­dex zu­rück. Der In­dex­er muss die Roh­da­ten aus dem Lo­cal Store des Craw­lers sehr gut auf­be­rei­ten und sor­tie­ren. Da­bei gibt es ver­schie­de­ne Mo­del­le und Maß­nah­men, wie sol­che Da­ten auf­be­rei­tet wer­den. Doch fan­gen wir zu­nächst ein­mal da­mit an, auf das Pro­blem der Un­struk­tu­riert­heit von Da­ten ein­zu­ge­hen:

Pro­ble­me ei­ner Such­ma­schi­ne

Es ist un­mög­lich für eine Such­ma­schi­ne, aus ei­ner gro­ßen, un­sor­tier­ten Da­ten­men­ge in we­ni­gen Mil­li­se­kun­den die rich­ti­gen bzw. für den Nut­zer re­le­van­ten Such­ergeb­nis­se aus­zu­spie­len. Je schnel­ler eine Such­ma­schi­ne ihre Er­geb­nis­se aus­spielt, des­to zu­frie­de­ner sind auch ihre Nut­zer – aber na­tür­lich nur, wenn die aus­ge­spiel­ten Er­geb­nis­se re­le­vant und pas­send zur Such­an­fra­ge sind. Da­mit die Such­ma­schi­ne alle ge­spei­cher­ten Da­ten schnell ab­ru­fen und re­le­van­te Er­geb­nis­se an­zei­gen kann, müs­sen die­se Da­ten ent­spre­chend auf­be­rei­tet und sor­tiert wer­den.

Ein wei­te­res Pro­blem für Such­ma­schi­nen bil­den un­ge­naue Such­an­fra­gen von­sei­ten der Nut­zer selbst. Auch auf­grund von un­ge­nau­en An­fra­gen kann der Nut­zer un­zu­rei­chen­de In­for­ma­tio­nen er­hal­ten. Das Sys­tem der Que­ry Mo­di­fi­ca­ti­on ver­än­dert die Such­an­fra­ge des­halb selbst­stän­dig, um re­le­van­te Such­ergeb­nis­se an­zei­gen zu kön­nen. Hier wird u. a. eine Stopp­wort­eli­mie­rung ein­ge­setzt und so wird z. B. das Wort „und“ bei ei­ner Such­an­fra­ge au­ßer Acht ge­las­sen.

Wei­te­re Que­ry Mo­di­fi­ca­ti­ons:

• Mit­hil­fe des The­sau­rus wer­den Syn­ony­me und ver­wand­te Be­grif­fe für die Such­an­fra­ge ab­ge­lei­tet.
• Durch die Mehr­wort­grup­pen­iden­ti­fi­zie­rung wird die Grup­pie­run­gen von Wör­tern als sol­che er­kannt.
• Mit der Grund- und Stamm­form­re­du­zie­rung wer­den Wör­ter auf ihre Wort­stäm­me re­du­ziert. Fle­xi­ons­for­men ei­nes Be­griffs (z. B. Hut und Hu­tes) wür­den sonst nicht rich­tig an­ge­zeigt wer­den.

Re­call & Pre­cis­i­on

Wie ef­fek­tiv ein In­for­ma­ti­on-Re­trie­val-Sys­tem ist, wird mit Hil­fe der bei­den Fak­to­ren Re­call (Tref­fer­quo­te) und Pre­cis­i­on (Ge­nau­ig­keit), die als Quo­ti­en­ten (sie­he Gra­fik un­ten) dar­ge­stellt wer­den, be­rech­net.

• Re­call be­schreibt die Voll­stän­dig­keit (den Ab­de­ckungs­grad) der Such­ergeb­nis­se. Da­bei wird ge­mes­sen, wie vie­le re­le­van­te Do­ku­men­te im Ver­hält­nis zu al­len re­le­van­ten Do­ku­men­ten, die in der Da­ten­men­ge ge­spei­chert sind, an­ge­zeigt wer­den.
• Pre­cis­i­on be­schreibt die Ge­nau­ig­keit der Such­ergeb­nis­se, also die An­zahl an re­le­van­ten ge­fun­de­nen Do­ku­men­ten im Ver­hält­nis zu den ge­sam­ten er­hal­te­nen Such­ergeb­nis­sen zu ei­ner An­fra­ge.

Die bei­den Quo­ti­en­ten be­rech­nen also die Voll­stän­dig­keit und Ge­nau­ig­keit der Such­ergeb­nis­se und kön­nen in ei­nem Ach­sen­dia­gramm dar­ge­stellt wer­den. Bei­de Wer­te lie­gen zwi­schen 0 und 1. Eine 1 wäre das per­fek­te Er­geb­nis. Da­bei wür­den alle re­le­van­ten Do­ku­men­te zu ei­ner An­fra­ge an­ge­zeigt wer­den und dar­un­ter wür­de sich gleich­zei­tig kein un­re­le­van­tes Do­ku­ment be­fin­den. In der Pra­xis ist die­ses Er­geb­nis aber nicht er­reich­bar. Wer die Ge­nau­ig­keit (Pre­cis­i­on) der re­le­van­ten Such­ergeb­nis­se er­höht, ver­rin­gert da­mit ihre Voll­stän­dig­keit (Re­call).

Schon ge­wusst?

Das The­ma In­for­ma­ti­on Re­trie­val ist üb­ri­gens äl­ter als das In­ter­net. Schon 1945 be­schrieb der US-Wis­sen­schaft­ler Van­ne­var Bush in sei­nem Auf­satz „As We May Think“, wie Men­schen ihr Wis­sen bes­ser zu­gäng­lich ma­chen könn­ten. In den 1950er-Jah­ren ent­wi­ckel­te Hans Pe­ter Luhn Me­tho­den wie die au­to­ma­ti­sche In­de­xie­rung und Voll­text­ver­ar­bei­tung – Grund­la­gen, die bis heu­te in Such­ma­schi­nen ste­cken.

Wei­te­re Her­aus­for­de­run­gen beim Aus­spie­len von Such­ergeb­nis­sen wer­den im Fol­gen­den auf­ge­zeigt:

Re­le­vanz, Per­ti­nenz und Nütz­lich­keit

Ein Such­ergeb­nis kann re­le­vant sein, es muss aber nicht per­ti­nent sein. Die Per­ti­nenz be­zieht sich auf die sub­jek­ti­ve Sicht des Nut­zers. Wenn ein User den Text des re­le­van­ten Such­ergeb­nis­ses z. B. be­reits kennt, ist die­ses nicht per­ti­nent für ihn. Ein Such­ergeb­nis ist erst dann nütz­lich für den User, wenn die­ser dar­aus neu­es Wis­sen ge­winnt, das er in der Pra­xis nut­zen kann.

Goog­le & Co. ha­ben also die Auf­ga­be, re­le­van­te Such­ergeb­nis­se aus­zu­spie­len, die dem User nütz­lich und zu­dem nicht be­kannt (per­ti­nent) sind und die ihm et­was Neu­es auf­zei­gen.

Mit Hil­fe so­ge­nann­ter Re­trie­val-Mo­del­le ver­su­chen Such­ma­schi­nen die best­mög­li­chen Such­ergeb­nis­se für die Such­an­fra­gen ih­rer User an­zu­zei­gen.

Re­trie­val-Mo­del­le und Ran­king­fak­to­ren

Beim In­for­ma­ti­on Re­trie­val gibt es ver­schie­de­ne Mo­del­le, die da­bei hel­fen sol­len, pas­sen­de Such­ergeb­nis­sen aus ei­ner (gro­ßen, un­sor­tier­ten) Da­ten­men­ge aus­zu­spie­len. Die­se Mo­del­le schlie­ßen sich da­bei nicht aus, son­dern kön­nen mit­ein­an­der ver­knüpft wer­den. Hier ein Aus­zug häu­fi­ger Mo­del­le:

• Das Boole­sche Mo­dell (men­gen­theo­re­ti­sches Mo­dell): Hier wer­den Zu­sam­men­hän­ge durch Men­gen­ope­ra­tio­nen (UND, ODER und NICHT) er­mit­telt.
• Das Vek­tor­raum­mo­dell und das pro­ba­bi­lis­ti­sche Mo­dell sind Mo­del­le, die auf der Text­sta­tis­tik be­ru­hen (WDF*IDF).
• Zu den Link­to­po­lo­gi­schen Mo­del­len ge­hört u. a. der be­rühm­te Pa­ge­Rank. Hier wer­den die Ver­lin­kun­gen der Do­ku­men­te mit­ein­an­der be­rück­sich­tigt.

Die­se Mo­del­le zei­gen, mit wel­chen Ran­king­fak­to­ren eine mo­der­ne Such­ma­schi­ne ar­bei­tet. Na­tür­lich ist die ge­naue Ge­wich­tung und Zu­sam­men­set­zen der Er­geb­nis­lis­ten durch die Ran­king­fak­to­ren das Be­triebs­ge­heim­nis ei­ner je­den Such­ma­schi­ne. Trotz­dem gibt es ei­ni­ge be­kann­te und wich­ti­ge Ran­king­fak­to­ren. Jede Such­ma­schi­ne ar­bei­tet hier ver­schie­den – Goog­le gibt an, über 200 Ran­king­fak­to­ren zu ha­ben. Be­son­ders wich­ti­ge Fak­to­ren, die von ei­ner Such­ma­schi­ne bei den Ran­kings be­rück­sich­tigt wer­den, sind Tex­te, Ver­lin­kun­gen, Lo­ka­li­tät, Ak­tua­li­tät, Per­so­na­li­sie­rung, Brand, User, Ver­trau­en (Trust) und Tech­nik.

• Tex­te: Wel­che Wör­ter in der Such­an­fra­ge kom­men im Do­ku­ment vor? Wo und in wel­chem Zu­sam­men­hang tre­ten die­se im Do­ku­ment auf? Syn­ony­me, Bil­der, Über­schrif­ten, An­ker­tex­te und vie­les mehr kön­nen da­bei be­rück­sich­tigt wer­den.
• Ver­lin­kun­gen (auch als die Po­pu­la­ri­tät von Do­ku­men­ten be­zeich­net): Wie stark wird eine Sei­te ver­linkt und von wel­chen Do­ku­men­ten er­hält die­se Ver­lin­kun­gen? Der Pa­ge­Rank-Al­go­rith­mus von Goog­le misst an­hand der Links die Po­pu­la­ri­tät von Do­ku­men­ten.
• Lo­ka­li­tät: Hier wird der Stand­ort des Su­chen­den be­rück­sich­tigt. Bei der Su­che z. B. nach ei­nem Zahn­arzt hilft es ei­nem User aus Düs­sel­dorf kaum, eine Such­ergeb­nis­lis­te mit Zahn­ärz­ten aus Ber­lin an­ge­zeigt zu be­kom­men. Der Stand­ort des Do­ku­ments (Spra­che, Un­ter­neh­mens­sitz usw.) wird bei ei­ner Such­an­fra­ge mit lo­ka­lem Be­zug be­vor­zugt aus­ge­spielt.
• Ak­tua­li­tät: Je nach Search In­tent des Su­chen­den kann das An­zei­gen von be­son­ders ak­tu­el­len Do­ku­men­ten und In­for­ma­tio­nen ge­wünscht sein (z. B. bei Nach­rich­ten, Wet­ter­be­rich­ten, Sport­er­geb­nis­sen usw.). Da äl­te­re In­for­ma­tio­nen meist stär­ker ver­linkt sind, aber ggf. nicht die ge­wünsch­te Ak­tua­li­tät ha­ben, kön­nen durch den Ran­king­fak­tor „Ak­tua­li­tät“ Do­ku­men­te be­vor­zugt wer­den, die zwar we­ni­ger Links, da­für aber ak­tu­el­le­re In­for­ma­tio­nen ha­ben.
• Per­so­na­li­sie­rung: Hier­bei geht es um die per­sön­li­chen Vor­lie­ben des Nut­zers. Die Such­ma­schi­nen pas­sen die Such­ergeb­nis­se z. B. dar­auf an, wel­che On­line­shops der User in der Ver­gan­gen­heit be­son­ders oft an­ge­klickt hat usw.
• Brand: Wie be­kannt ist die Web­site bei den Usern und wie hoch ist der Brandtraf­fic? Eine Web­site, die au­ßer­halb der Such­ma­schi­nen be­kannt ist und von den Usern als zu­ver­läs­si­ge Quel­le an­ge­se­hen wird, kann durch die­sen Brand­ef­fekt auch in den Such­ergeb­nis­sen bes­ser ran­ken.
• User: Ein ewi­ger Streit­punkt sind die Da­ten von Usern als Ran­king­fak­to­ren. So be­strei­tet Goog­le die Nut­zung sol­cher Da­ten, Tests er­ge­ben aber im­mer häu­fi­ger, dass Nut­zer­da­ten, wie Klick­ra­ten in den SERPs und wei­te­res Nut­zer­ver­hal­ten, in die Ran­kings mit­ein­flie­ßen. Bing gibt zu, Nut­zer­da­ten wie die Boun­ce­ra­te und Ver­weil­dau­er als Si­gna­le für die Ran­kings zu mes­sen – ob Goog­le die­se eben­falls ver­wen­det, ist aber nicht be­stä­tigt.
• Ver­trau­en: Kann der Web­site ver­traut wer­den und sie dem User des­halb in den TOP 10 an­ge­zeigt wer­den? Googles E-E-A-T-Mo­dell ist ein wei­te­rer Schritt, da­mit die Such­ma­schi­ne, v. a. bei be­son­ders sen­si­blen The­men, wie Ge­sund­heit und Fi­nan­zen (YMYL), aus­schließ­lich Sei­ten an­zeigt, de­ren In­hal­te kor­rekt sind und kei­ne Ge­fahr für den User dar­stel­len. EEAT ist kein di­rek­ter Ran­king­fak­tor an sich, son­dern ein Kon­zept der Such­ma­schi­ne, um ver­trau­ens­wür­di­ge Sei­ten bes­ser zu er­ken­nen.
• Tech­nik: Die Such­ma­schi­nen müs­sen eine Web­site ver­ste­hen. Tech­ni­sche Hür­den, wie feh­ler­haf­te Ver­lin­kun­gen, zu lan­ge La­de­zei­ten, feh­ler­haf­te Codes und vie­le mehr, deu­ten auf die schlech­te Qua­li­tät ei­ner Web­site hin und kön­nen es der Such­ma­schi­ne er­schwe­ren, sie zu ver­ste­hen. Nur eine tech­nisch sau­be­re Web­site kann von den Craw­lern auch kor­rekt aus­ge­le­sen wer­den. Goog­le gibt selbst an, dass bei der Op­ti­mie­rung die ge­sam­te Qua­li­tät der Web­site be­ach­tet wer­den muss und nicht nur ein­zel­ne Do­ku­men­te.

Quel­len:

• http://www.bui.haw-ham­burg.de/fi­lead­min/user_upload/le­wan­dow­ski/doc/Web_In­for­ma­ti­on_Re­trie­val_Buch.pdf
• https://de.wi­ki­pe­dia.org/wiki/In­for­ma­ti­on_Re­trie­val
• http://in­fo­lab.stan­ford.edu/~back­rub/goog­le.html
• https://www.goog­le.com/search/how­search­works/
• https://www.io­nos.de/di­gi­tal­gui­de/on­line-mar­ke­ting/such­ma­schi­nen­mar­ke­ting/in­for­ma­ti­on-re­trie­val-wie-such­ma­schi­nen-da­ten-ab­ru­fen/
• https://towardsda­ta­sci­ence.com/text-clas­si­fi­ca­ti­on-with-nlp-tf-idf-vs-word2vec-vs-bert-41ff868d1794
• https://www.en­zy­klo­pae­die-der-wirt­schafts­in­for­ma­tik.de/wi-en­zy­klo­pae­die/le­xi­kon/da­ten-wis­sen/Da­ten­ma­nage­ment/Da­ten-/In­for­ma­ti­on-Re­trie­val/in­dex.html/?search­term=In­for­ma­ti­on%20Re­trie­val
• https://de.wi­ki­pe­dia.org/wiki/Vek­tor­raum-Re­trie­val
• https://de.wi­ki­pe­dia.org/wiki/Wahr­schein­lich­keits­theo­rie
• https://de.wi­ki­pe­dia.org/wiki/Boole­sches_Re­trie­val
• https://de.wi­ki­pe­dia.org/wiki/Hubs_und_Aut­ho­ri­ties
• https://www.sprin­ger.com/de/book/9783662440148
• https://www.seo-sued­west.de/6011-goog­le-nicht-auf-das-in­de­xie­ren-ein­zel­ner-urls-ach­ten-son­dern-auf-die-ge­sam­te-qua­li­taet.html
• https://www.seo-sued­west.de/5942-bing-ver­oef­fent­licht-ran­king­fak­to­ren-auch-ab­sprungra­te-und-ver­weil­dau­er-zaeh­len.html
• https://www.se­round­ta­ble.com/us-con­gress-goog­le-uses-clicks-user-data-in-search-29870.html

Das war ein kur­zer Rund­um­blick, wie eine Such­ma­schi­ne ei­gent­lich ar­bei­tet. Je­der, der sei­ne Web­site op­ti­miert, soll­te im­mer im Hin­ter­kopf ha­ben, wie eine Such­ma­schi­ne funk­tio­niert.

-Fa­bi­an