Die Vektorsuche findet inhaltlich ähnliche Daten, indem Texte, Bilder oder Audiodaten als Zahlenvektoren (Embeddings) dargestellt und über ihren Abstand verglichen werden. Sie arbeitet mit Bedeutungsnähe statt mit exakten Wortübereinstimmungen.
Wie funktioniert die Vektorsuche?
Ein Embedding-Modell wandelt Inhalte in Vektoren um, die in einer Vektordatenbank oder einem Suchindex liegen. Die Suchanfrage wird auf dieselbe Weise in einen Vektor umgerechnet. Das System liefert die Inhalte, deren Vektoren dem Anfragevektor am nächsten liegen.
Als Maß für die Nähe nennt IBM unter anderem die euklidische Distanz und die Kosinus-Ähnlichkeit, deren Wert zwischen -1 und 1 liegt. Weil ein exakter Vergleich mit Millionen Vektoren zu langsam wäre, nutzen die meisten Systeme Näherungsverfahren (Approximate Nearest Neighbor, ANN). Ein verbreitetes Verfahren ist HNSW, das Malkov und Yashunin 2016 vorgestellt haben. Es baut ein mehrschichtiges Graphennetz auf. Elastic weist darauf hin, dass solche Verfahren nicht zu 100 Prozent exakt sind, dafür aber skalieren. Häufig kombinieren Systeme Vektorsuche mit klassischer Stichwortbewertung (Hybrid Search).
Was bedeutet das für SEO?
Retrieval-Augmented Generation (RAG) nutzt Vektorsuche, um zu einer Frage passende Textabschnitte zu finden. Inhalte, die in klaren, in sich verständlichen Abschnitten geschrieben sind, lassen sich so besser abrufen (Einschätzung). Für die Google Suche gibt es keine Dokumentation, die Vektorsuche als Rankingverfahren bestätigt.
Beispiel
Ein Suchindex enthält die Seite „Wollpullover von Hand waschen“. Eine Anfrage „Strickjacke einlaufen verhindern“ enthält keines der Wörter, liegt im Vektorraum aber nahe an dieser Seite. Die Vektorsuche liefert sie, die reine Stichwortsuche nicht.
Häufige Fragen
Was ist der Unterschied zwischen Vektorsuche und Stichwortsuche? Die Stichwortsuche vergleicht Wörter, die Vektorsuche vergleicht Bedeutung über Embeddings.
Ist Vektorsuche dasselbe wie semantische Suche? Vektorsuche ist ein technisches Verfahren, mit dem sich semantische Suche umsetzen lässt. Semantische Suche beschreibt das Ziel, Ergebnisse passend zur Absicht einer Anfrage zu liefern, und kann weitere Verfahren nutzen, etwa einen Knowledge Graph (Einschätzung).
Braucht man dafür eine eigene Vektordatenbank? Nicht immer. Mehrere Suchsysteme bieten Vektorfunktionen im eigenen Index an, Elastic beschreibt das zum Beispiel für Elasticsearch.
Quellen
Stand: