Was ist Semantische Suche?
Erfahren Sie, welche Herausforderungen die semantische Suche löst und wo sie für Ihre Marke hilfreich sein könnte.
Ein Kollege sagte kürzlich: „Ich habe den Eindruck, dass verschiedene Leute verschiedene Dinge meinen, wenn sie über semantische Suche sprechen. Was meinen wir bei Lucidworks, wenn wir von semantischer Suche sprechen?“
Die einfachste Definition von ’semantischer Suche‘ ist die Suche nach der Bedeutung. Im Kontext des digitalen Handels bezieht sich die semantische Suche meiner Ansicht nach auf eine Reihe von Techniken, mit denen Produkte anhand ihrer Bedeutung gefunden werden können, und nicht auf die lexikalische Suche, bei der Produkte durch den Abgleich von Wörtern und ihren Varianten gefunden werden.
Andere mögen argumentieren, dass die Bedeutung der semantischen Suche von einer bestimmten Technik abhängt, wie z.B. einer Ontologie, einem Wissensgraphen oder einem semantischen Vektorraum. Die Widersprüchlichkeit bei der Verwendung des Begriffs „semantische Suche“ ist angesichts der rasanten Entwicklung der semantischen Suchtechniken zum Verständnis von Bedeutung in den letzten 15 Jahren nicht überraschend. Lassen Sie uns zunächst bedenken, dass die Geschichte dazu beiträgt, unsere heutige Verwendung des Begriffs zu begründen.
Eine kurze Geschichte der semantischen Suche
Wenn Sie die Wayback Machine für das Jahr 2007 konsultieren, beginnt der Wikipedia-Eintrag über die semantische Suche mit folgendem Satz:
Die semantische Suche versucht, herkömmliche Recherchen zu ergänzen und zu verbessern, indem sie XML- und RDF-Daten aus semantischen Netzwerken nutzt, um semantische Suchanfragen und Webtext zu disambiguieren und so die Relevanz der Ergebnisse zu erhöhen.
Der Schwerpunkt lag eindeutig auf dem semantischen Web und verknüpften Daten. Bis 2009 wurde der Wikipedia-Eintrag geändert, um einen Verweis auf Ontologien und das semantische Web aufzunehmen:
Andere Autoren betrachten die semantische Suche in erster Linie als eine Reihe von Techniken zum Abrufen von Wissen aus reichhaltig strukturierten Datenquellen wie Ontologien im semantischen Web.
Im Jahr 2010 wurde der erste Satz geändert, um die Konzepte der Suchabsicht und der kontextuellen Bedeutung einzubeziehen:
Die semantische Suche zielt darauf ab, die Suchgenauigkeit zu verbessern, indem sie die Absicht des Suchenden und die kontextuelle Bedeutung von Begriffen, die im durchsuchbaren Datenraum – sei es im Web oder in einem geschlossenen System – erscheinen, versteht, um relevantere Ergebnisse zu erzielen.
Bis 2019 war der erste Satz vereinfacht worden:
Die semantische Suche bezeichnet eine Suche mit Bedeutung, im Gegensatz zur lexikalischen Suche, bei der die Suchmaschine nach wörtlichen Übereinstimmungen der abgefragten Wörter oder Varianten sucht, ohne die allgemeine Bedeutung der Abfrage zu verstehen.
Wir können die Entwicklung des Konsenses über die Bedeutung der semantischen Suche von einem Fokus auf Ontologien, RDF und das semantische Web zu einer allgemeineren „Suche mit Bedeutung“ beobachten. Googles Ansatz für die Suche hat sich im gleichen Zeitraum weiterentwickelt, um sich mehr auf die Bedeutung zu konzentrieren. 2012 wurde der Google Knowledge Graph („things not strings“) eingeführt, 2013 die Konversationssuche, 2015 RankBrain (ML-basiertes Ranking) und 2019 BERT und „neuronales Matching“.
Anstatt einen Standpunkt dazu einzunehmen, ob die semantische Suche einen Wissensgraphen oder eine bestimmte Art von ML-Modell enthalten muss oder nicht, halte ich es für hilfreicher, sich auf die Effektivität einer Reihe von semantischen Suchtechniken bei der Lösung bestimmter Probleme zu konzentrieren.
Jede semantische Suchtechnik löst spezifische Probleme
Auch wenn wir sagen, dass es bei der lexikalischen Suche um die Suche nach Wörtern und ihren Varianten geht und bei der semantischen Suche um die Suche nach der Bedeutung, haben beide Ansätze bei E-Commerce-Lösungen das gleiche Ziel: die Entdeckung von Produkten, die der Absicht des Käufers entsprechen. Mit anderen Worten, das Ziel ist es, auf eine Anfrage mit Produkten zu antworten, die für die Aufgabe oder das Interesse, das die Anfrage impliziert, relevant sind.
Ich höre oft, dass „das Verstehen der Suchabsicht“ als das ultimative Ziel der Suche diskutiert wird… Die Suchanfrage des Suchenden spiegelt jedoch oft nur einen Teil eines Ziels wider. Wenn ein Heimwerker auf einer E-Commerce-Website für Autoteile nach Putzlumpen sucht, denkt er dann nur an Putzlumpen? Die Website kann relevantere Produkte anbieten, wenn der Grund für den Bedarf an Lappen bekannt ist, d. h. die Aufgabe, die der Heimwerker im Sinn hat. Macht er einen Ölwechsel oder eine andere schmutzige Arbeit? Vielleicht ist es sinnvoll, auch andere Reinigungsprodukte anzubieten.
Und wenn ein Kunde auf einer E-Commerce-Website für Lebensmittel nach Bio-Limonade sucht, warum sollte er dann nicht auch Produkte finden, die für sein Interesse an Bio-Säften und Snacks relevant sind?
Es gibt E-Commerce-Lösungen, die hervorragende Arbeit leisten, indem sie Produkte empfehlen, die mit einem Ziel in Verbindung stehen. Dennoch erscheinen die Empfehlungen in der Regel im Abschnitt „Das könnte Ihnen auch gefallen“ auf der Seite. Die Idee, sich mit hoher Präzision auf die Suchabsicht zu konzentrieren und dann andere zielrelevante Produkte in die Empfehlungszonen zu verbannen, erscheint mir kontraintuitiv. Die lexikalische Suche kann so eingestellt werden, dass sie eine zielgerichtetere Relevanz erreicht.
Allerdings handelt es sich dabei in der Regel um abfragespezifische Regeln, die ständig überarbeitet werden müssen, um mit den sich ändernden Produktsortimenten, Einkaufstrends und Jahreszeiten Schritt zu halten. Es gibt Ansätze für maschinelles Lernen, um solche Regeln vorzuschlagen, aber die Vorschläge sind oft von unterschiedlicher Qualität und müssen vom E-Commerce-Team geprüft werden, bevor sie zum Einsatz kommen – eine weitere Art der Kuration.
Konzentrieren wir uns auf zwei spezielle semantische Suchtechniken: die semantische Vektorsuche für einen besseren Recall auf der Grundlage einer zielgerichteten Relevanzperspektive und das semantische Query Parsing für eine bessere Präzision, wenn die Suchanfragen Spezifikationen wie Abmessungen und Preisspannen enthalten.
Semantische Vektorsuche
Die semantische Vektorsuche ist ein Deep Learning-Ansatz, bei dem ein Modell aus dem Einkaufsverhalten lernt, um Produkte und Suchanfragen in einem gemeinsamen Vektorraum zu kodieren – so ähnlich wie die Lebensmittel in den Gängen und Regalen eines physischen Geschäfts angeordnet sind. Die Bio-Limonade steht neben dem Bio-Orangensaft. Das Mehl steht neben anderen üblichen Backzutaten. Das Personal im Lebensmittelgeschäft passt die Anordnung der Produkte anhand des Kundenverhaltens an. Diese semantische Suchtechnik lernt im Laufe der Zeit dazu, wenn sich das Produktsortiment und das Kaufverhalten der Kunden ändern.
Semantische Vektorsuche ermöglicht eine intuitivere Relevanz
Die semantische Vektorsuche ist viel besser als die lexikalische Suche, wenn es darum geht, die Relevanz von Produkten vorherzusagen, die Kunden bei einer bestimmten Suchanfrage zu kaufen beabsichtigen. Der Kunde sucht nach Bio-Limonade und bekommt nach der Bio-Limonade auch Bio-Orangensaft und eine Reihe von Bio-Säften für Kinder angezeigt. Außerdem kann es dies auch für Suchanfragen tun, die es vorher noch nicht gesehen hat.
Semantische Vektorsuche streicht Null Ergebnisse
Die Behebung von Null-Suchanfragen ist eine lästige Last für Suchmanager. Es ist eine weitere Kuratierungsaufgabe ohne Ende, die oft einen zweistelligen Prozentsatz der Suchanfragen betrifft. Suchmanager konzentrieren sich auf die am häufigsten vorkommenden Null-Ergebnis-Suchanfragen, was bedeutet, dass viele Long-Tail-Suchanfragen nicht bearbeitet werden – verpasster Umsatz und Geld, das auf dem Tisch liegt.
Die semantische Vektorsuche liefert ohne Kuration viel weniger Null-Ergebnisse. Wenn Bio-Limonade nicht mehr vorrätig ist, sieht der Kunde trotzdem Bio-Orangensaft und eine Auswahl an Bio-Säften für Kinder. Einer der fünf größten Einzelhändler der Welt setzte die semantische Vektorsuche ein und verringerte die Anzahl der Nullergebnisse im Vergleich zum Vorjahr um 91 %, was sich in hunderten von Millionen an Umsatz niederschlug. Wenn ich zum Beispiel nach „Pumpernickel-Crackern“ suche, die es nicht gibt, wird mir ein Mix aus ähnlichen Produkten angezeigt.
Beginnen Sie mit spezifischen Zielen
Die semantische Suche bietet eine intuitivere Umsetzung der Relevanz, warum also nicht alle Suchanfragen an die semantische Suche senden?
E-Commerce-Unternehmen haben jahrelang in die Optimierung der lexikalischen Suche investiert. Viele Suchanfragen im E-Commerce werden von der lexikalischen Suche ohne ständige Kuratierung bearbeitet. Wir können uns das als Relevanzgerechtigkeit vorstellen.
Ich empfehle, mit Suchanfragen zu beginnen, die in Bezug auf KPIs wie AOV und CTR schlecht abschneiden. Bei diesen Suchanfragen ist das Risiko, den Relevanzwert zu beschädigen, geringer und die Chance, die KPIs zu verbessern und die Zeit von Händlern und Suchmanagern zu sparen, größer.
Semantisches Query Parsing
Eine weitere semantische Suchtechnik ist das semantische Query Parsing, eine Art Wortsinn-Disambiguierung (WSD). WSD wird seit Jahrzehnten erforscht, und verschiedene Techniken des maschinellen Lernens werden ständig verbessert und konkurrieren um den Stand der Technik. „Wissensbasierte“ Ansätze für WSD verwenden eine Ontologie oder einen Wissensgraphen (oder beides). Im E-Commerce kann ein Wissensgraph aus Produktsuchdaten und dem Kaufverhalten der Kunden abgeleitet werden. Die Pflege des Wissensgraphen erfordert häufig ein gewisses Maß an Kuratierung.
Das Ziel der semantischen Analyse von Abfragen in E-Commerce-Lösungen ist es, die Erwähnung von Konzepten in einer Abfrage zu identifizieren und dann die für diese Konzepte relevanten Produkte zu finden. Bei den Konzepten kann es sich um benannte Entitäten wie Marken, Designer, Hersteller oder Spezifikationen wie Größe, Farbe und Preisklasse handeln.
Spezifikationen können weiter in verhandelbare und nicht verhandelbare Kategorien eingeteilt werden. Diese Einteilung in verhandelbar/nicht verhandelbar ist spezifisch für jede vertikale E-Commerce-Lösung und manchmal auch spezifisch für einzelne Unternehmen. Wenn ich nach kastanienbraunen Damenpumps der Größe 9 suche, sind Geschlecht und Größe wahrscheinlich nicht verhandelbar. (Die Größe könnte verhandelbar sein, wenn ein bestimmter Schuh bekanntermaßen klein oder groß ausfällt.) Die Erwähnung der Farbe kastanienbraun kann hingegen verhandelbar sein.
Semantisches Query Parsing verbessert die Präzision
Semantisches Query Parsing kann verwendet werden, um Abfragen zur konzeptspezifischen Verarbeitung weiterzuleiten. Verschiedene Konzepte können mit verschiedenen Modellen oder Logiken zur Normalisierung von Konzepten verknüpft werden.
Nicht verhandelbare Angaben wie die Größe können zum Filtern der Suchergebnisse verwendet werden.
Aber was ist, wenn die Angabe mehrdeutig ist, wie bei der Anfrage Herren Jeans 30. Bezieht sich 30 auf die Schrittlänge oder die Taille? Sobald die semantische Abfrageanalyse feststellt, dass eine Abfrage eine Größe erwähnt, kann der Größenteil getaggt und die Abfrage an einen „Größenauflöser“ weitergeleitet werden.
Semantisches Query Parsing erleichtert begriffsspezifische Modelle
Die verhandelbaren Spezifikationen können je nach Konzept auf unterschiedliche Weise verwendet werden. Eine Anfrage, in der eine Farbe erwähnt wird, könnte beispielsweise an einen Farbcodierer weitergeleitet werden, der auf das Kaufverhalten der Kunden trainiert ist. Welche Farben werden umgewandelt, wenn die Anfrage nach kastanienbraunen Pumps gestellt wird? Ein Farbkodierer könnte lernen, dass Käufer rostfarbene und burgunderfarbene Pumps als relevant für eine Anfrage nach kastanienbraunen Pumps ansehen.
In einigen Fragen werden vage Begriffe wie „preiswert“ erwähnt. Preiswerte Schneestiefel für Kinder und preiswerte Schneestiefel für Erwachsene implizieren wahrscheinlich zwei verschiedene Preisklassen. Ein Preisspannenmodell könnte lernen, Preisspannen im Kontext einer Suchanfrage anhand des Käuferverhaltens vorherzusagen.
Was sind semantische Suchwerkzeuge?
Wir können die semantische Suchtechnikenwie die semantische Vektorsuche und das Parsen von semantischen Abfragen, um das Benutzererlebnis zu verbessern, indem sie über die traditionellen lexikalischen Suchmethoden hinausgehen. Die semantische Vektorsuche, die auf Deep Learning basiert, sagt die Relevanz auf der Grundlage des Nutzerverhaltens voraus, bietet eine intuitivere Produkterkennung und reduziert Null-Ergebnisse bei Suchanfragen. Die semantische Analyse von Abfragen identifiziert Konzepte in Abfragen und ermöglicht so präzise Ergebnisse auf der Grundlage von Spezifikationen wie Größe und Farbe. Durch die Einbindung dieser semantischen Suchwerkzeugenkönnen Unternehmen und andere Organisationen die Relevanz von Suchanfragen und die Benutzerzufriedenheit in verschiedenen Branchen erheblich verbessern.
Warum ist die semantische Suche wichtig für Ihr Unternehmen?
Verstehen semantische Suche ist entscheidend für die Steigerung von Konversionen und Umsatz. Ein gutes Verständnis der semantischen Suche sorgt für ein effizientes und vertrauenswürdiges digitales Einkaufserlebnis. Der optimierte Einkaufsprozess auf der Website kann einen bleibenden Eindruck hinterlassen und den Kunden zum Wiederkommen animieren. Für Unternehmen und B2B-Händler mit umfangreichen Produktkatalogen verbessert die Implementierung von Lösungen wie Lucidworks die Suchrelevanz und Personalisierung, was zu einem schnellen Umsatzwachstum und ROI führt.
Semantische Suche bei Lucidworks
Bei unserer Strategie geht es um Verbraucherziele, nicht um Verbraucheranfragen. Wir bauen auf der Grundlage unserer bestehenden semantischen Vektorsuche auf und fügen zunächst Funktionen zum Parsen von semantischen Abfragen hinzu, die als „Präzisionsleitplanken“ für die Vektorsuche und schließlich als Werkzeug für die Weiterleitung von Abfragen an konzeptspezifische Modelle dienen.
Möchten Sie mehr darüber erfahren, wie wir die semantische Suche für die Produktfindung nutzen? Erfahren Sie mehr über die Neuronale Hybridsuche in unserer Demonstration unten.
