Named Entity Recognition (NER)

Named Entity Recognition (NER), auf Deutsch Eigennamenerkennung, gehört zur Verarbeitung natürlicher Sprache. Das Verfahren markiert relevante Textstellen und weist ihnen eine Bedeutungsklasse zu. Aus dem Satz „Die OSG wurde 2008 in München gegründet“ werden beispielsweise die Entitäten „OSG“ als Organisation, „2008“ als Datum und „München“ als Ort extrahiert.

Wie funktioniert Named Entity Recognition?

Named Entity Recognition (NER) verarbeitet einen Text meist in mehreren Schritten. Zuerst wird der Text in Wörter oder Wortbestandteile zerlegt. Anschließend bewertet ein Modell den Kontext jedes Bestandteils und bestimmt, ob eine Entität beginnt, fortgesetzt wird oder außerhalb einer Entität liegt. Danach ordnet das System der erkannten Wortfolge eine Klasse wie Person, Organisation oder Ort zu.

Ein verbreitetes Kennzeichnungsschema ist BIO. Das Kürzel „B“ steht für den Beginn einer Entität, „I“ für deren Fortsetzung und „O“ für ein Wort außerhalb einer Entität. In „Online Solutions Group aus München“ kann „Online“ mit B-ORG, „Solutions“ und „Group“ mit I-ORG sowie „München“ mit B-LOC markiert werden. Dadurch erkennt das Modell auch Entitäten, die aus mehreren Wörtern bestehen.

• Vorverarbeitung: Der Text wird in Tokens, Sätze und gegebenenfalls Wortbestandteile zerlegt.
• Kontextanalyse: Das Modell berücksichtigt die Wörter vor und nach einer möglichen Entität.
• Klassifikation: Erkannte Textstellen erhalten Kategorien wie Person, Ort, Organisation oder Produkt.
• Nachbearbeitung: Regeln können Schreibvarianten vereinheitlichen oder unplausible Zuordnungen korrigieren.

Regeln, Statistik und Sprachmodelle

Regelbasierte NER-Systeme arbeiten mit Wörterbüchern, regulären Ausdrücken und sprachlichen Mustern. Ein Muster kann beispielsweise Datumsangaben erkennen, während ein Firmenverzeichnis bekannte Organisationen liefert. Regelbasierte Systeme sind gut kontrollierbar, benötigen aber laufende Pflege und erfassen neue Schreibweisen nur, wenn die Regeln entsprechend erweitert werden.

Moderne NER-Systeme verwenden maschinelles Lernen oder Transformer-Modelle. Solche Modelle lernen anhand markierter Trainingsdaten, welche Wörter in welchem Kontext eine Entität bilden. Das Wort „Apple“ kann dadurch abhängig vom Satz als Unternehmen, Produktbezug oder gewöhnliches englisches Wort eingeordnet werden. Die Qualität hängt deshalb nicht nur vom Begriff selbst, sondern auch vom verfügbaren Satzkontext ab.

Welche Entitätstypen gibt es?

Named Entity Recognition (NER) besitzt kein universell verbindliches Klassenschema. Allgemeine Modelle erkennen häufig Personen, Organisationen, Orte, Datumsangaben, Uhrzeiten, Geldbeträge und Prozentwerte. Branchenspezifische Systeme erweitern diese Auswahl beispielsweise um Medikamente, Krankheiten, Aktenzeichen, Maschinenmodelle oder Produktnummern.

Das Klassenschema muss zum Anwendungsfall passen. Ein Modell für Nachrichtentexte kann Organisationen zuverlässig erkennen und trotzdem bei Artikelnummern eines Onlineshops scheitern. Prüfe deshalb vor der Modellauswahl, welche Entitätstypen benötigt werden und ob die Trainingsdaten ähnliche Texte, Sprachen und Fachbegriffe enthalten.

Wie wird die NER-Qualität gemessen?

Messbar ist Named Entity Recognition (NER) mit Precision, Recall und F1-Score. Precision gibt an, welcher Anteil der gefundenen Entitäten korrekt war. Recall zeigt, welcher Anteil aller tatsächlich vorhandenen Entitäten erkannt wurde. Der F1-Score bildet das harmonische Mittel aus beiden Werten und verhindert, dass ein System allein durch sehr wenige oder sehr viele Treffer gut erscheint.

Die Formeln lauten: Precision = korrekte Treffer geteilt durch alle erkannten Treffer. Recall = korrekte Treffer geteilt durch alle vorhandenen Entitäten. Der F1-Score wird als 2 × Precision × Recall geteilt durch Precision + Recall berechnet.

Ein Beispiel: Ein Text enthält zehn korrekt markierte Entitäten. Das Modell erkennt neun Textstellen, von denen acht richtig sind. Die Precision beträgt 8 geteilt durch 9, also rund 88,9 Prozent. Der Recall beträgt 8 geteilt durch 10, also 80 Prozent. Daraus ergibt sich ein F1-Score von rund 84,2 Prozent.

Ein NER-Ergebnis kann auf Token-Ebene oder Entitätsebene bewertet werden. Bei einer strengen Entitätsbewertung gilt „Online Solutions“ als falsch, wenn die korrekte Entität „Online Solutions Group“ lautet. Dokumentiere deshalb neben dem F1-Score auch das Bewertungsschema. Werte aus unterschiedlichen Tests sind nur vergleichbar, wenn Klassen, Datenbasis und Trefferdefinition übereinstimmen.

NER für SEO, SEA und GEO

Named Entity Recognition (NER) hilft im SEO dabei, Personen, Marken, Orte, Produkte und Fachbegriffe in großen Content-Beständen zu erfassen. Eine Analyse kann beispielsweise zeigen, auf welchen Seiten eine Produktmarke genannt wird, welche Standorte fehlen oder ob unterschiedliche Schreibweisen dieselbe Organisation bezeichnen. Das ergänzt eine klassische SEO-Analyse um eine semantische Ebene.

Für GEO, also Generative Engine Optimization, erleichtern klar bezeichnete Entitäten die maschinelle Einordnung eines Inhalts. Eindeutige Unternehmensnamen, Autoren, Produkte, Orte und Beziehungen reduzieren sprachliche Mehrdeutigkeit. Semantische Tiefe und strukturierte Daten unterstützen KI-Systeme dabei, Inhalte einem Thema und einer Quelle zuzuordnen. Eine GEO-Strategie für KI-Suchen sollte deshalb prüfen, ob zentrale Entitäten konsistent benannt und verständlich erklärt werden.

Im SEA kann Named Entity Recognition (NER) Suchbegriffe, Kundenanfragen oder Bewertungen nach Marken, Produkten und Orten gruppieren. Aus tausenden Suchanfragen lassen sich beispielsweise Produktnamen und regionale Bezüge extrahieren. NER verändert keine Gebote und Kampagneneinstellungen automatisch, liefert aber strukturierte Daten für Keyword-Cluster, Anzeigentexte und passende Landingpages.

Für die strukturierte Content-Erstellung lässt sich NER als Qualitätsprüfung einsetzen. Ein Unternehmen kann kontrollieren, ob Produktnamen korrekt geschrieben, Ansprechpartner eindeutig bezeichnet und relevante Fachentitäten vollständig abgedeckt sind. Die reine Häufigkeit einer Entität ist jedoch kein Qualitätswert. Kontext, fachliche Richtigkeit und Suchintention bleiben maßgeblich.

Abgrenzung zu verwandten Verfahren

Der Unterschied zwischen Named Entity Recognition und Entity Linking liegt in der Zielsetzung. NER erkennt, dass „München“ ein Ort ist. Entity Linking verbindet „München“ zusätzlich mit einem eindeutigen Datensatz oder Wissensgraph-Eintrag. Erst diese Verknüpfung trennt gleichnamige Personen, Orte oder Unternehmen zuverlässig voneinander.

Named Entity Recognition (NER) ist außerdem nicht mit einer vollständigen Textinterpretation gleichzusetzen. Ein System kann zwei Unternehmen korrekt erkennen, ohne deren geschäftliche Beziehung zu verstehen. Für Aussagen wie „Unternehmen A übernimmt Unternehmen B“ werden zusätzliche Verfahren zur Relationsextraktion und Ereigniserkennung benötigt.

Typische Fehler bei der Entitätenerkennung

Mehrdeutige Namen verursachen häufige NER-Fehler. „Jordan“ kann eine Person, ein Staat, ein Fluss oder eine Marke bezeichnen. Abkürzungen wie „OSG“ sind ohne Kontext ebenfalls schwer einzuordnen. Ein belastbares System benötigt deshalb vollständige Sätze, passende Trainingsdaten und gegebenenfalls eine nachgelagerte Verknüpfung mit einem Wissensbestand.

• Das Modell erkennt nur einen Teil einer mehrteiligen Entität.
• Eine bekannte Marke wird wegen ungewöhnlicher Schreibweise übersehen.
• Ein gewöhnliches Substantiv wird fälschlich als Produktname markiert.
• Ein Modell für allgemeine Texte scheitert an branchenspezifischen Fachbegriffen.
• Die Bewertung zählt richtige Klassen, ignoriert aber falsche Wortgrenzen.

Häufige Fragen zu Named Entity Recognition

Wenn du SEO- und KI-Daten gemeinsam auswerten möchtest, kannst du einen kostenlosen Account mit SEO-Audit anlegen.

Free Account anlegen