Definition: Was sind Embeddings?
Ein Embedding übersetzt ein Stück Sprache in Koordinaten: Ein Modell bildet Text auf einen Vektor ab, sodass semantisch ähnliche Inhalte ähnliche Vektoren erhalten. Zwei Texte mit null Prozent Wort-Überlappung können im Embedding-Raum fast identisch liegen, wenn sie dasselbe Konzept ausdrücken — und zwei Texte mit fast gleicher Wortwahl weit auseinander, wenn sie Gegensätzliches meinen.
Typische Dimensionalitäten gängiger Text-Embedding-Modelle: 768 (BERT-Basis), 1.024 (BGE-M3, multilingual), 1.536 bis 3.072 (aktuelle OpenAI-Embedding-Modelle). Ähnlichkeit wird über Distanzmaße berechnet — am häufigsten Cosine Similarity, daneben Dot Product und euklidische Distanz.
Warum Embeddings die Suche verändert haben
Klassische Suche arbeitet mit String-Matching und Termgewichtung (BM25, TF-IDF). Moderne Systeme transformieren Query und Dokument in Vektoren und suchen im Embedding-Raum (Vector Search) — meist hybrid mit lexikalischer Suche kombiniert. Das ist die Retrieval-Grundlage jeder RAG-Pipeline und damit jeder generativen Antwort mit Quellen.
Konsequenz: Auffindbarkeit hängt nicht mehr an exakten Keywords, sondern an der semantischen Position des Inhalts. „Optimieren“ heißt im Embedding-Paradigma: die eigene Entität und die eigenen Inhalte in der richtigen semantischen Region verankern.
Konsequenzen für Content- und Entity-Arbeit
- Synonyme stärken das Signal: Paraphrasen und alternative Formulierungen schärfen die semantische Position — das Gegenteil der alten Keyword-Konsistenz-Regel.
- Kontext zählt: Die semantische Nachbarschaft einer Marke entsteht aus Co-Occurrence — welche Themen, Personen und Organisationen konsistent im selben Kontext auftauchen.
- Keyword-Dichte ist bedeutungslos: Dichte-Analysen messen im Embedding-Paradigma nichts Relevantes mehr; semantische Vollständigkeit und Präzision ersetzen sie.
- Entity-Konsistenz wirkt direkt: Einheitliche Bezeichnungen, Rollen und Zuschreibungen über Quellen hinweg halten die Entität im Raum kompakt — Widersprüche verwässern die Position.
Verwandte Begriffe
Embeddings sind die Grundlage von Semantic Search, Vector Search und der Retrieval-Stufe in RAG. Die strategische Antwort auf das Embedding-Paradigma sind Topical Maps und konsistente Entity-Arbeit.
Sichtbarkeit ist eine Position im Vektorraum
Retrieval-Systeme finden, was semantisch nah an der Anfrage liegt. Content- und Entity-Arbeit verschiebt diese Position — Keyword-Wiederholung nicht.
FAQ zu Embeddings
Was ist der Unterschied zwischen Embedding und Keyword? ▾
Ein Keyword ist eine Zeichenkette, die exakt oder in Varianten gematcht wird. Ein Embedding ist eine mathematische Repräsentation der Bedeutung: Inhalte werden über semantische Nähe gefunden, auch ohne gemeinsame Wörter. Moderne Retrieval-Systeme kombinieren beide Verfahren hybrid.
Welche Distanzmaße werden im Embedding-Raum verwendet? ▾
Am häufigsten Cosine Similarity (Winkel zwischen Vektoren), daneben Dot Product bei normalisierten Vektoren und euklidische Distanz. Für die Praxis wichtig ist weniger das Maß als die Konsequenz: Ähnlichkeit ist graduell und kontextabhängig, nicht binär.
Wie viele Dimensionen haben Embeddings? ▾
Gängige Text-Embedding-Modelle liegen zwischen 768 und rund 4.000 Dimensionen — etwa 768 bei BERT-Basis, 1.024 bei BGE-M3, 1.536 bis 3.072 bei aktuellen OpenAI-Modellen. Mehr Dimensionen heißt nicht automatisch bessere Qualität für jeden Anwendungsfall.
Was bedeutet der Embedding-Raum für SEO konkret? ▾
Drei Dinge: Synonyme und Paraphrasen stärken das semantische Signal statt es zu verwässern; die Nachbarschaft der eigenen Marke entsteht durch konsistente Ko-Nennungen; und Keyword-Dichte ist als Optimierungsgröße bedeutungslos geworden. Optimiert wird die semantische Position, nicht die Wortfrequenz.