LinkedIn: Semantik in der Suchtechnologie

LinkedIn ist mit über 850 Millionen Nutzer*innen das weltweit führende Business-Netzwerk. Täglich wird auf LinkedIn nach wertvollen Inhalten gesucht – sei es hinsichtlich beruflicher Weiterbildung, zur Lösung von Problemen oder um einfach auf dem neuesten Stand der Branchenentwicklungen zu bleiben. Mit der zunehmenden Komplexität der Suchanfragen und der wachsenden Menge an Inhalten stösst die herkömmliche Suche jedoch an ihre Grenzen. Die Antwort von LinkedIn auf diese Herausforderung ist die Einführung einer semantischen Suchtechnologie, die weit über das einfache Finden von Schlüsselwörtern hinausgeht. In diesem Artikel werfen wir einen detaillierten Blick auf die Neuerungen in LinkedIns Suchmaschine.

Die Herausforderung von Suchmaschinen

Die Suche nach Inhalten im Internet hat sich in den letzten Jahren stark verändert. Was früher durch einfache Schlüsselwörter wie «Marketingstrategien» bewältigt werden konnte, erfordert heute oft komplexe Fragen wie «Welche Marketingstrategien funktionieren im Jahr 2024 am besten für Start-ups?». Solche Anfragen enthalten mehrere Anhaltspunkte und verlangen nach einer Verknüpfung dieser unterschiedlichen Informationen. Suchmaschinen, die hauptsächlich auf der Übereinstimmung von Schlüsselwörtern basieren, tun sich schwer damit, solche Anfragen korrekt und vollumfänglich zu beantworten. Das Ergebnis? Entweder werden irrelevante Ergebnisse angezeigt oder es werden keine Ergebnisse gefunden, welche die spezifischen Bedürfnisse der suchenden Person erfüllen.

Einführung der semantischen Suche auf LinkedIn

Die semantische Suche geht weit über die klassische Methode der Schlüsselwortsuche hinaus. Statt nur nach exakten Übereinstimmungen zu suchen, versucht die semantische Suche, die Bedeutung und den Kontext einer Suchanfrage zu verstehen. Dies ist besonders wichtig in einem professionellen Umfeld wie LinkedIn, wo die Bedeutung eines Begriffs je nach Kontext erheblich variieren kann.

Um diese Herausforderung zu meistern, hat LinkedIn eine neue Sucharchitektur entwickelt, die aus zwei Hauptschichten besteht:

Retrieval layer

Der retrieval layer ist der erste Schritt in der neuen Struktur von LinkedIn und spielt eine entscheidende Rolle bei der Auswahl relevanter Beiträge aus einem riesigen Pool von Milliarden von Inhalten. Hier kommen zwei unterschiedliche Methoden zum Einsatz:

• Token-basiertes Abrufen (TBR – token based retriever)
  Diese Methode entspricht der traditionellen Suchtechnik, bei der Beiträge ausgewählt werden, die exakt die gleichen Schlüsselwörter wie in der Suchanfrage enthalten. TBR verwendet einen invertierten Index, der eine Zuordnung von jedem Schlüsselwort zu einer Liste von Beiträgen erstellt, die dieses Schlüsselwort enthalten. Diese Methode ist besonders nützlich für Suchanfragen, bei denen eine genaue Übereinstimmung notwendig ist, wie zum Beispiel bei der Suche nach einem spezifischen Beitragstitel.
• Embedding-basiertes Abrufen (EBR – embedding based retriever)
  Im Gegensatz zu TBR verwendet EBR ein fortschrittliches KI-Modell, das auf der sogenannten «Zwei-Türme-Architektur» basiert. Dieses Modell erstellt semantische Repräsentationen (Embeddings) sowohl für die Suchanfrage als auch für die Beiträge. Diese Embeddings fassen die Bedeutung der Texte zusammen und ermöglichen es der Suchmaschine, Beiträge auszuwählen, die konzeptionell zur Suchanfrage passen – auch wenn sie nicht exakt die gleichen Schlüsselwörter enthalten. Das Modell verwendet dazu ein mehrsprachiges, offenes Text-Embedding-Modell, das speziell für die semantische Suche optimiert ist.

Multi-stage ranking layer

Nachdem der retrieval layer eine Auswahl an potenziell relevanten Beiträgen getroffen hat, übernimmt nun der multi-stage ranking layer. Dieses Element ordnet die ausgewählten Beiträge basierend auf ihrer Relevanz und anderen Faktoren, um die bestmöglichen Suchergebnisse zu liefern. Es besteht aus zwei Stufen:

• L1 Ranking
  In der ersten Stufe werden die ersten Tausend und für die Suchanfrage passenden Beiträge schnell bewertet und die besten davon ausgewählt. Diese Stufe verwendet ein einfacheres Modell, das hauptsächlich darauf abzielt, schnell eine grobe Vorauswahl zu treffen.
• L2 Ranking
  In der zweiten Stufe werden die verbleibenden Beiträge mit einem komplexeren Modell bewertet, das eine Vielzahl von Faktoren berücksichtigt. Darunter die Relevanz des Beitrags, die Qualität des Inhalts, die Popularität des Autors oder der Autorin und sogar die Beziehung zwischen der suchenden Person und dem Autor / der Autorin. Diese Stufe liefert die endgültige Rangliste der Beiträge, die der suchenden Person präsentiert werden.

High-Level-Design der Content-Suchmaschine, bestehend aus einem Retrieval-Layer und einem mehrstufigen Ranking-Layer – Quelle: LinkedIn

Die Vorteile der semantischen Suche

Die Einführung der semantischen Suchtechnologie auf LinkedIn bringt mehrere Vorteile mit sich:

• Verbesserte Relevanz der Suchergebnisse
  Die semantische Suche ermöglicht es LinkedIn, komplexe Anfragen besser zu verstehen und entsprechend präzisere und relevantere Ergebnisse zu liefern. Dies bedeutet, dass Nutzer*innen genau die Informationen finden, die sie suchen, selbst wenn sie ihre Anfragen in natürlicher Sprache stellen.
• Höhere Benutzerzufriedenheit und Engagement
  Mit der neuen Suchmaschine verbringen die Nutzer*innen mehr Zeit mit den gefundenen Inhalten. Dies deutet darauf hin, dass die angezeigten Ergebnisse nicht nur relevant, sondern auch von hoher Qualität sind. Nutzer*innen, die zufrieden mit den Suchergebnissen sind, neigen dazu, häufiger und intensiver mit der Plattform zu interagieren.
• Personalisierte Suchergebnisse
  Dank der Fähigkeit der semantischen Suche, Nutzer*innen- und Kontextinformationen zu berücksichtigen, kann LinkedIn die Suchergebnisse besser an die individuellen Bedürfnisse und Interessen der Nutzer*innen anpassen. So erhalten zwei Nutzer*innen, welche die gleiche Suchanfrage stellen, möglicherweise unterschiedliche, aber für sie relevante Ergebnisse.

Technologische Innovationen hinter den Kulissen

Die semantische Suchmaschine von LinkedIn basiert auf fortschrittlichen KI- und Machine-Learning-Techniken. Ein wichtiger Bestandteil ist die «Zwei-Türme-Architektur», die es ermöglicht, die Bedeutungen von Suchanfragen und Beiträgen in einer Weise zu erfassen, die weit über eine einfache Schlüsselwortübereinstimmung hinausgeht. Diese Architektur hat zwei wesentliche Vorteile:

• Effizienz
  Die Beiträge können im Voraus analysiert und ihre semantischen Repräsentationen gespeichert werden. Dies ermöglicht eine schnelle und effiziente Suche, selbst bei Milliarden von Beiträgen.
• Flexibilität
  Da das Modell nicht auf Schlüsselwörtern basiert, sondern auf Konzepten, ist es in der Lage, die Suchergebnisse dynamisch und kontextsensitiv anzupassen. Dies macht es besonders geeignet für die komplexen und variablen Anfragen, die auf LinkedIn gestellt werden.

Ausblick

Obwohl die Einführung der semantischen Suchtechnologie bereits zu erheblichen Verbesserungen geführt hat, ruht sich LinkedIn nicht darauf aus. Das Unternehmen plant, die Technologie weiter zu verfeinern und noch leistungsfähigere Machine-Learning-Modelle zu integrieren. Ein Schwerpunkt liegt auf der Weiterentwicklung der Metriken, mit denen die Qualität der Suchergebnisse gemessen wird. In Zukunft könnte dies bedeuten, dass LinkedIn noch tiefere Einblicke in die Erwartungen und Bedürfnisse der Nutzer*innen gewinnt und dadurch noch genauere und nützlichere Suchergebnisse liefert.

Fazit

Mit der Einführung der semantischen Suchtechnologie hat LinkedIn einen grossen Schritt gemacht, um den Bedürfnissen seiner Nutzer*innen besser gerecht zu werden. So können komplexe und detaillierte Fragen gestellt werden und die Antworten bleiben dennoch präzise und relevant. Ob dies tatsächlich zu einer erhöhten Nutzung von LinkedIn führt, werden die nächsten Monate zeigen.

Schreib uns einen Kommentar