Vektor-Embeddings & Cosine Similarity (Semantische Suche)

Kompakt-Definition

Vektor-Embeddings sind numerische Repräsentationen von Texten, Bildern oder Entitäten in einem hochdimensionalen mathematischen Raum, in dem inhaltlich verwandte Konzepte nahe beieinander liegen. Über Distanzmaße wie die Cosine Similarity (Kosinus-Ähnlichkeit) berechnen moderne Suchmaschinen und RAG-Systeme innerhalb von Millisekunden, wie gut ein Text-Chunk semantisch zu einer Suchanfrage passt – selbst wenn kein einziges exaktes Keyword-Wort übereinstimmt.

Computer verstehen von Natur aus weder Sprache noch Bedeutungen – sie können ausschließlich mit Zahlen rechnen. Damit eine moderne Suchmaschine oder ein RAG-System erkennt, dass eine Suchanfrage nach „Server-Antwortzeit verkürzen“ inhaltlich exakt zu einem Absatz über „TTFB durch Caching reduzieren“ passt (obwohl kein einziges Wort identisch ist), müssen Wörter und Sätze in mathematische Koordinaten übersetzt werden. Genau diese Übersetzung leisten Vektor-Embeddings.

Lexikalische Suche (BM25) vs. Semantische Vektorsuche vs. Hybrid Search

In der modernen Information-Retrieval-Architektur – sowohl bei Google als auch in KI-Antwortsystemen wie ChatGPT Search und Perplexity – arbeiten heute meist zwei Suchverfahren im Verbund (Hybrid Search):

MerkmalLexikalische Suche (Sparse Retrieval / BM25)Semantische Vektorsuche (Dense Retrieval / Embeddings)Hybrid Search (Moderner Standard in SEO & GEO)
GrundprinzipExakter Zeichenketten-Abgleich (Wortfrequenz, Dokumentlänge & Seltenheit eines Begriffs)Übersetzung von Suchanfrage und Text-Chunk in Vektoren; Abgleich der BedeutungsnäheKombinierte Abfrage beider Systeme mit anschließender Zusammenführung (z. B. via Reciprocal Rank Fusion)
StärkeUnschlagbar bei exakten Produktnamen, Artikelnummern, Fehlermeldungen & EigennamenErkennt Synonyme, Umschreibungen, Konzepte und sprachübergreifende ZusammenhängeVereint höchste Präzision bei Fachbegriffen mit tiefem semantischem Verständnis
SchwächeScheitert an Synonymen („KFZ“ ≠ „Auto“) und mehrdeutigen Wörtern (Homonymen)Kann bei seltenen Markennamen oder exakten Modellnummern unscharf werdenHöherer Rechenaufwand beim Indexing und Re-Ranking

Wie funktionieren Vektor-Embeddings und Cosine Similarity technisch?

Wenn ein Embedding-Modell (wie text-embedding-3 von OpenAI oder Googles Gecko-Modelle) einen Textabschnitt liest, vergibt es für diesen Abschnitt hunderte oder tausende numerische Werte – zum Beispiel einen Vektor mit 1.536 Dimensionen wie [0.021, -0.045, 0.812, ...]. Jede dieser Dimensionen repräsentiert ein abstraktes semantisches Merkmal (etwa Fachlichkeit, Kaufabsicht, Zeitbezug oder Technologiefeld).

  1. Projektion in den Vektorraum: Sowohl die zerlegten Text-Chunks deiner Webseite als auch die Suchanfrage des Nutzers (bzw. die Sub-Queries aus dem Query Fan-Out) werden als Pfeile in denselben mehrdimensionalen Raum projiziert.
  2. Messung über die Cosine Similarity (Kosinus-Ähnlichkeit): Um herauszufinden, welcher Textblock auf deiner Website die beste Antwort liefert, misst die Vektordatenbank den Winkel zwischen dem Suchanfrage-Vektor und deinen Content-Vektoren. Zeigen beide Pfeile in nahezu dieselbe Richtung, nähert sich der Kosinus-Wert der Zahl 1.0 (maximale semantische Übereinstimmung). Stehen sie im rechten Winkel zueinander, liegt der Wert bei 0 (thematisch völlig unabhängig).
  3. Top-K-Selektion für das Grounding: Nur die Text-Chunks mit dem höchsten Ähnlichkeits-Score (z. B. die Top 5 oder Top 10) schaffen es über die Retrievability-Hürde in das Kontextfenster des Sprachmodells.

Warum „Vektor-Verwässerung“ (Vector Dilution) deine Rankings kostet

Für die praktische Content-Erstellung hat die Mathematik hinter Vektor-Embeddings eine direkte Konsequenz: Ein Embedding-Vektor bildet immer den semantischen Durchschnitt (Schwerpunkt) aller Sätze innerhalb eines Text-Chunks ab.

Wenn du in einem einzigen langen Absatz unter einer vagen Überschrift gleichzeitig über historische Hintergründe, rechtliche Risiken, Software-Preise und ein Kundenbeispiel schreibst, ziehst du den Vektor in vier verschiedene Himmelsrichtungen gleichzeitig. Das Ergebnis ist ein verwässerter Durchschnitts-Vektor, der für keine einzige spezifische Teilfrage einen hohen Cosine-Similarity-Score erreicht.

3 Schreibregeln für scharfe Vektor-Embeddings

  • Strikte Themen-Reinheit pro H2/H3-Block: Behandle pro Zwischenüberschrift exakt einen klar abgegrenzten Gedanken oder eine spezifische Nutzerfrage (AEO). Das erzeugt einen messerscharfen Vektor im Ziel-Cluster.
  • Natürliches Entitäts-Vokabular statt Keyword-Stuffing: Das stupide Wiederholen desselben Keywords verbessert ein Vektor-Embedding nicht. Verwende stattdessen die fachlich korrekten Begleitbegriffe, Attribute und Nachbar-Entitäten, die ein echter Experte in diesem Kontext nutzt.
  • Geringe Kontextabhängigkeit wahren: Nenne das zentrale Subjekt (Marke, Methode oder Produkt) explizit im Abschnitt, damit der berechnete Vektor nicht im luftleeren Raum schwebt.

Der „Hybrid-Search-Vorteil“ für deine Texte: Da fast alle großen KI-Suchsysteme Hybrid Search (BM25 + Vektoren) nutzen, solltest du weder rein für Keywords noch rein abstrakt schreiben. Nenne den exakten Fachbegriff, Produktnamen oder Fehlercode wörtlich in der Zwischenüberschrift und im ersten Satz (für den vollen BM25-Score) und erkläre das Konzept direkt im Anschluss semantisch präzise (für den maximalen Cosine-Similarity-Score).

Weiterführende Deep-Dives & Tools auf burakowski.net

Weitere Begriffe in «GEO, AEO & KI-Suche»

KI-Referral-Tracking & Dark AI Traffic in GA4

KI-Referral-Tracking bezeichnet die gezielte Erfassung und Segmentierung von Website-Besuchern in Web-Analytics-Systemen (wie Google Analytics 4), die über einen Quellenlink (AI Citation) aus konversationellen KI-Systemen wie ChatGPT, Perplexity, Claude, Gemini oder Microsoft Copilot auf eine Domain gelangen. Da native Smartphone-Apps, Datenschutz-Header und indirekte Markensuchen jedoch häufig die Herkunfts-URL unterdrücken, bleibt ein erheblicher Teil dieser Zugriffe als sogenannter Dark AI Traffic im Kanal „Direct“ oder „Organic Search“ unsichtbar und muss über Triangulations-Verfahren gemessen werden.

Re-Ranking & Cross-Encoder (in Such- & RAG-Pipelines)

Re-Ranking bezeichnet die zweite, hochpräzise Bewertungsstufe in modernen Suchmaschinen und RAG-Pipelines (Retrieval-Augmented Generation). Während im ersten Schritt (First-Stage Retrieval) über schnelle Verfahren wie BM25 oder Vektor-Embeddings (Bi-Encoder) grob 50 bis 100 potenziell relevante Text-Chunks aus Millionen Dokumenten gefiltert werden, analysiert im zweiten Schritt ein rechenintensives Cross-Encoder-Modell die genaue semantische Passung zwischen Suchanfrage und Textpassage, um die finalen Top-5-Quellen für das LLM-Grounding zu bestimmen.

Fine-Tuning vs. RAG vs. Prompt Engineering

Fine-Tuning, RAG (Retrieval-Augmented Generation) und Prompt Engineering sind die drei zentralen Methoden zur Anpassung großer Sprachmodelle (LLMs) an spezifische Unternehmens- und Suchprozesse. Während Prompt Engineering und RAG das Modell zur Laufzeit über das Kontextfenster mit Regeln und verifizierten Echtzeit-Fakten versorgen, verändert das Fine-Tuning dauerhaft die internen Modellgewichte – primär um Tonalität, spezifische Ausgabeformate oder domänenspezifisches Verhalten zu trainieren, nicht jedoch als Ersatz für eine aktuelle Wissensdatenbank.