Named Entity Recognition (NER)
Was ist Named Entity Recognition (NER)?
Named Entity Recognition (NER) ist ein Verfahren der natürlichen Sprachverarbeitung, das benannte Entitäten in Texten automatisch erkennt und Klassen wie Personen, Organisationen, Orte, Produkte, Zeitangaben oder Geldbeträge zuordnet. Dadurch werden unstrukturierte Inhalte maschinell auswertbar, durchsuchbar und für Anwendungen wie Suche, Datenanalyse, Chatbots und Wissensgraphen nutzbar.
Named Entity Recognition einfach erklärt
Named Entity Recognition (NER), auf Deutsch Entitätenerkennung, identifiziert konkrete Objekte oder Konzepte in einem Text. Im Satz „Die OSG wurde in München gegründet“ erkennt ein NER-System beispielsweise „OSG“ als Organisation und „München“ als Ort. Die erkannten Textstellen erhalten strukturierte Kategorien, die Software anschließend filtern, zählen oder mit anderen Daten verbinden kann.
Named Entity Recognition gehört zur natürlichen Sprachverarbeitung, kurz NLP für Natural Language Processing. NLP umfasst die computergestützte Analyse und Erzeugung menschlicher Sprache. NER übernimmt darin eine klar abgegrenzte Aufgabe: Das Verfahren bestimmt, welche Wörter eine benannte Entität bilden und welcher Klasse diese Entität angehört.
Welche Entitäten erkennt NER?
Welche Kategorien ein NER-Modell erkennt, hängt vom Anwendungsfall und den Trainingsdaten ab. Allgemeine Systeme arbeiten meist mit Personen, Organisationen, Orten und Zeitangaben. Fachmodelle können zusätzlich Produkte, Krankheiten, Wirkstoffe, Vertragsnummern, Marken oder technische Komponenten erfassen.
Eine Entität kann aus einem Wort oder mehreren zusammengehörenden Wörtern bestehen. In „Online Solutions Group GmbH“ muss das System die gesamte Wortfolge als Organisation erkennen. Eine wortweise Betrachtung würde dagegen mehrere unvollständige oder falsch klassifizierte Einheiten erzeugen.
Wie funktioniert Named Entity Recognition?
Named Entity Recognition verarbeitet Texte typischerweise in mehreren Schritten. Zuerst wird der Text in sprachliche Einheiten zerlegt. Danach bestimmt ein Modell die Grenzen möglicher Entitäten und weist ihnen Kategorien zu. Abhängig vom System folgen eine Normalisierung der Schreibweise und die Verknüpfung mit einem eindeutigen Datensatz.
Text zerlegen und vorbereiten
Bei der Tokenisierung wird ein Satz in Wörter, Satzzeichen oder Wortbestandteile zerlegt. Vorverarbeitungsschritte können außerdem Abkürzungen vereinheitlichen, Schreibvarianten erkennen und sprachliche Grundformen bestimmen. Die Vorbereitung beeinflusst die Qualität, weil Namen häufig Bindestriche, Ziffern oder mehrteilige Bezeichnungen enthalten.
Entitäten markieren und klassifizieren
Das Modell entscheidet für jedes relevante Textelement, ob es zu einer Entität gehört. Häufig verwendete Markierungen unterscheiden den Beginn, die Fortsetzung und Wörter außerhalb einer Entität. Dadurch kann das System erkennen, dass „Online Solutions Group GmbH“ eine zusammenhängende Organisation bildet.
Ergebnisse prüfen und normalisieren
Nach der Klassifikation können Schreibvarianten auf eine einheitliche Form gebracht werden. „OSG“, „Online Solutions Group“ und „Online Solutions Group GmbH“ lassen sich dadurch als Varianten desselben Unternehmens behandeln. Diese Normalisierung ist besonders für Analysen wichtig, weil getrennte Schreibweisen sonst als unterschiedliche Entitäten gezählt würden.
Methoden der Entitätenerkennung
NER-Systeme können regelbasiert, statistisch oder mit neuronalen Sprachmodellen arbeiten. Die geeignete Methode hängt von Textmenge, Fachgebiet, gewünschter Genauigkeit und Wartungsaufwand ab.
| Methode | Funktionsweise | Geeigneter Einsatz |
|---|---|---|
| Regelbasiert | Wörterbücher, Muster und feste Sprachregeln erkennen bekannte Bezeichnungen. | Klare Fachbegriffe, Produktnummern und kontrollierte Textformate. |
| Statistisches Lernen | Ein Modell lernt aus manuell markierten Beispielen typische Wortfolgen und Kontexte. | Wiederkehrende Dokumentarten mit ausreichend Trainingsdaten. |
| Neuronale Modelle | Deep-Learning-Modelle bewerten Wörter anhand ihres gesamten sprachlichen Umfelds. | Freie Texte, komplexe Sprache und mehrdeutige Formulierungen. |
| Hybride Verfahren | Trainierte Modelle werden mit Fachlisten und Geschäftsregeln kombiniert. | Unternehmensdaten mit speziellen Marken, Produkten oder Branchenbegriffen. |
Moderne NER-Lösungen nutzen häufig Transformer-Modelle. Diese Sprachmodelle berücksichtigen den Kontext auf beiden Seiten einer Textstelle und können deshalb viele Mehrdeutigkeiten besser einordnen. Ein allgemeines Modell benötigt für juristische, medizinische oder industrielle Texte dennoch oft zusätzliches Training mit fachlich passenden Beispielen.
NER für SEO, SEA und GEO 2026
Named Entity Recognition ist kein bestätigter Ranking-Faktor und ersetzt keine SEO-Keyword-Analyse. Die Methode unterstützt jedoch eine semantische Inhaltsanalyse, bei der Marken, Personen, Orte, Produkte und ihre Beziehungen systematisch erfasst werden. Dadurch lassen sich Themenabdeckung, interne Verlinkung und begriffliche Konsistenz genauer prüfen.
Entitäten in der SEO
Für SEO hilft die Entitätenerkennung dabei, Inhalte nach Konzepten statt ausschließlich nach identischen Keywords zu ordnen. Ein Text über Elektromobilität kann beispielsweise Hersteller, Fahrzeugmodelle, Batterietechnologien und Förderprogramme enthalten. Die erkannten Zusammenhänge erleichtern den Aufbau von Themenclustern und unterstützen eine nachvollziehbare fachliche Einordnung nach E-E-A-T.
NER ersetzt keine strukturierten Daten. Strukturierte Daten machen ausgewählte Informationen im Quellcode explizit maschinenlesbar, während Named Entity Recognition vorhandenen Fließtext analysiert. Beide Ansätze können sich ergänzen, wenn ein Unternehmen seine Produkte, Organisation, Autoren oder Standorte eindeutig beschreiben möchte.
Entitäten in SEA
Im SEA kann NER Suchanfragen nach Marken, Produkten, Orten oder Kaufmerkmalen gruppieren. Eine automatische Auswertung kann zum Beispiel erkennen, welche Suchbegriffe einen Wettbewerber, eine Stadt oder ein bestimmtes Produktmodell enthalten. Marketing-Verantwortliche können diese Kategorien anschließend zur Analyse von Suchintentionen, Anzeigengruppen und Ausschlussbegriffen nutzen.
Entitäten in GEO
GEO, ausgeschrieben Generative Engine Optimization, optimiert Inhalte für generative Suchsysteme und KI-Antworten. Eindeutige Entitäten helfen Sprachmodellen, Marken, Leistungen, Personen und Standorte korrekt miteinander zu verbinden. Wer seine Auffindbarkeit in ChatGPT und anderen KI-Systemen verbessern möchte, sollte deshalb konsistente Namen, klare Definitionen und überprüfbare Beziehungen verwenden.
Eine entitätsbasierte Content-Prüfung kann außerdem zeigen, ob ein Text zentrale Fachbegriffe nennt, aber deren Beziehungen offenlässt. In der Projektpraxis entsteht dieses Problem häufig bei technisch korrekten Texten, die viele Einzelbegriffe enthalten, jedoch nicht erklären, wie Produkte, Unternehmen, Personen und Anwendungsfälle zusammengehören.
Abgrenzung zu ähnlichen Verfahren
Der Unterschied zwischen Named Entity Recognition und Entity Linking liegt in der Verarbeitungstiefe. NER erkennt „München“ als Ort. Entity Linking ordnet den Namen zusätzlich einem eindeutigen Eintrag in einer Wissensdatenbank zu. Diese Verknüpfung verhindert Verwechslungen zwischen gleichnamigen Personen, Orten oder Produkten.
Der Unterschied zwischen NER und Sentimentanalyse liegt im Analyseziel. Named Entity Recognition bestimmt, worüber gesprochen wird. Eine Sentimentanalyse bewertet, ob die Aussage positiv, neutral oder negativ ausfällt. Beide Methoden können gemeinsam erkennen, welche Stimmung ein Text gegenüber einer bestimmten Marke oder einem Produkt ausdrückt.
Der Unterschied zwischen NER und Keyword-Erkennung besteht im Kontextverständnis. Eine reine Keyword-Suche findet eine Zeichenfolge unabhängig von ihrer Bedeutung. Named Entity Recognition bewertet zusätzlich, ob die Zeichenfolge im jeweiligen Satz tatsächlich eine Person, Organisation, Marke oder andere Entität bezeichnet.
Qualität von NER messen
Die Leistung eines NER-Modells wird häufig mit Precision, Recall und F1-Wert bewertet. Precision beschreibt, welcher Anteil der erkannten Entitäten korrekt ist. Recall misst, welcher Anteil aller tatsächlich vorhandenen Entitäten gefunden wurde. Der F1-Wert fasst beide Kennzahlen zu einem gemeinsamen Vergleichswert zusammen.
Eine belastbare Bewertung benötigt Testdaten aus dem tatsächlichen Einsatzgebiet. Ein Modell mit guten Ergebnissen bei Nachrichtentexten kann Produktnamen in einem Onlineshop trotzdem falsch erkennen. Repräsentative Dokumente und konsistente manuelle Markierungen sind deshalb wichtiger als ein isolierter allgemeiner Modellwert.
NER im Unternehmen einsetzen
Ein NER-Projekt beginnt mit einer klaren Definition der benötigten Entitätsklassen. Ein Onlineshop benötigt meist andere Kategorien als eine Kanzlei oder ein Industrieunternehmen. Erst wenn feststeht, welche Informationen extrahiert und wofür sie verwendet werden sollen, lassen sich Trainingsdaten, Modell und Qualitätsziel sinnvoll auswählen.
Im Marketing kann Named Entity Recognition große Textmengen aus Suchanfragen, Bewertungen, Supportanfragen oder Wettbewerbsinhalten strukturieren. Die extrahierten Entitäten werden erst dann handlungsrelevant, wenn sie mit Kennzahlen wie Impressionen, Klicks, Conversion Rate oder KI-Erwähnungen verbunden werden. Eine KI-gestützte Textanalyse sollte daher immer auf belastbaren Daten und einer fachlichen Prüfung beruhen.
Häufige Fragen zur Entitätenerkennung
Wofür wird Named Entity Recognition verwendet?
NER wird unter anderem für Suchfunktionen, Dokumentenanalysen, Chatbots, Medienbeobachtung, Wissensgraphen und die automatische Verarbeitung von Kundenanfragen verwendet. Das Verfahren verwandelt relevante Angaben aus Fließtext in strukturierte Daten.
Kann Named Entity Recognition deutsche Texte analysieren?
Ja, NER kann deutsche Texte analysieren, wenn das Modell Deutsch unterstützt oder mit deutschen Beispielen trainiert wurde. Fachsprache, zusammengesetzte Wörter und flektierte Namen können zusätzliches Training erforderlich machen.
Braucht man für NER eigene Trainingsdaten?
Allgemeine Modelle funktionieren oft ohne eigene Trainingsdaten für Standardklassen wie Personen, Orte und Organisationen. Eigene Daten werden sinnvoll, sobald branchenspezifische Produkte, Fachbegriffe oder interne Bezeichnungen zuverlässig erkannt werden sollen.
Ist NER dasselbe wie ein Knowledge Graph?
Nein, NER erkennt Entitäten in Texten, während ein Knowledge Graph Entitäten und ihre Beziehungen strukturiert speichert. NER kann Daten für einen Knowledge Graph liefern, bildet dessen Verknüpfungen aber nicht allein ab.
Erkennt NER auch unbekannte Namen?
Ein trainiertes Modell kann unbekannte Namen anhand ihres sprachlichen Kontexts erkennen. Die Zuverlässigkeit sinkt jedoch bei ungewöhnlichen Schreibweisen, fehlendem Kontext oder Begriffen, die zugleich gewöhnliche Wörter sind.
Welche Texte eignen sich für eine NER-Analyse?
Geeignet sind strukturierte und unstrukturierte Texte wie Nachrichten, Produktbeschreibungen, Verträge, Suchanfragen, Bewertungen und Supporttickets. Die Dokumente sollten zum Sprachgebiet und zum vorgesehenen Anwendungsfall des Modells passen.
Verbessert Named Entity Recognition automatisch das Google-Ranking?
Nein, der Einsatz von NER garantiert keine Rankings. Das Verfahren kann Content-Analysen, Themenmodelle und semantische Strukturen unterstützen, während Rankings weiterhin von Inhalt, Technik, Nutzerintention, Autorität und Wettbewerb abhängen.
Wenn du SEO-, SEA- und GEO-Daten für eine entitätsbasierte Analyse zusammenführen möchtest, kannst du einen Free Account mit einer ersten Standortbestimmung anlegen.
Sie haben noch Fragen?



















