Was ist Natural Language Processing?

Natural Language Processing (NLP) ist ein Teilgebiet der Informatik und der künstlichen Intelligenz, das Computern beibringt, menschliche Sprache in Text und gesprochener Form zu verarbeiten, zu verstehen und selbst zu erzeugen. Natural Language Processing verbindet Erkenntnisse der Linguistik mit Statistik und maschinellem Lernen. Suchmaschinen, Übersetzungsdienste, Sprachassistenten und große Sprachmodelle wie ChatGPT beruhen auf Natural Language Processing.

Kurzprofil des Begriffs

Wie funktioniert Natural Language Processing?

Natural Language Processing zerlegt Sprache in Bausteine, die ein Computer berechnen kann, und setzt sie anschließend zu einer Bedeutung zusammen. Klassische NLP-Systeme arbeiten dafür eine Kette von Teilaufgaben ab. Moderne Sprachmodelle lernen viele dieser Schritte gemeinsam, die Kette erklärt aber bis heute, was dabei inhaltlich passiert.

1. Tokenisierung: Das System zerlegt einen Satz in Tokens, also Wörter, Wortteile und Satzzeichen. Aus „Wo kann ich in München Brot kaufen?“ werden acht Einheiten.
2. Wortarten und Satzbau: Part-of-Speech-Tagging bestimmt für jedes Token die Wortart. Das Dependency Parsing erkennt, welches Wort von welchem abhängt, etwa dass „Brot“ das Objekt von „kaufen“ ist.
3. Entitätenerkennung: Die Named Entity Recognition markiert Namen von Orten, Personen, Unternehmen und Produkten. „München“ wird als Ort erkannt und mit dem bekannten Ding München verknüpft.
4. Bedeutung im Kontext: Das System klärt mehrdeutige Wörter über ihre Umgebung. „Bank“ bedeutet neben „Konto“ etwas anderes als neben „Park“. Technisch steckt dahinter meist ein Embedding, das Wörter und Sätze als Zahlenvektoren darstellt.
5. Aufgabe ausführen: Auf dieser Grundlage erledigt das System die eigentliche Aufgabe, etwa eine Absicht erkennen, einen Text übersetzen, eine Stimmung bewerten oder eine Antwort formulieren.

Im Beispielsatz führt diese Kette zu einer klaren Lesart: Gesucht wird ein Ort in München, an dem man Brot kaufen kann, also eine Bäckerei in der Nähe. Genau diese Übersetzung von Wörtern in eine Absicht nennt man in der Suche die Suchintention.

Welche Aufgaben übernimmt Natural Language Processing?

Natural Language Processing deckt 6 große Aufgabenfelder ab, die in fast jeder Anwendung kombiniert werden.

• Textklassifikation: Ein System ordnet Texte Kategorien zu, zum Beispiel Spam oder kein Spam, Thema A oder Thema B.
• Sentimentanalyse: Die Sentimentanalyse bewertet, ob eine Aussage positiv, negativ oder neutral gemeint ist. Unternehmen werten so Bewertungen und Supportanfragen aus.
• Informationsextraktion: Das System zieht Fakten aus Fließtext, etwa Namen, Daten, Preise und die Beziehungen zwischen ihnen.
• Maschinelle Übersetzung: Dienste wie DeepL und Google Übersetzer übertragen Texte zwischen Sprachen.
• Frage und Antwort: Das System findet zu einer Frage die passende Textstelle oder formuliert die Antwort selbst.
• Textgenerierung: Sprachmodelle schreiben Zusammenfassungen, E-Mails, Code und ganze Artikel.

Viele dieser Aufgaben laufen unbemerkt im Alltag mit. Beispiele sind die Autokorrektur auf dem Smartphone, der Spamfilter im Postfach, die Untertitel bei Videos und die Vorschläge im Suchfeld.

Wie hat sich Natural Language Processing entwickelt?

Natural Language Processing hat sich in 4 Phasen entwickelt, von festen Regeln über Statistik und neuronale Netze bis zu den heutigen Transformer-Modellen.

Der Sprung der letzten Phase liegt im Kontext. Ein Transformer gewichtet bei jedem Wort, welche anderen Wörter im Satz für seine Bedeutung zählen. Daraus sind die heutigen Large Language Models entstanden, die Natural Language Processing nicht mehr in Einzelschritten, sondern als ein einziges großes Modell betreiben.

Was ist der Unterschied zwischen NLP, NLU und NLG?

NLP ist der Oberbegriff, NLU und NLG sind seine beiden Richtungen. Natural Language Understanding (NLU) beschreibt den Weg von der Sprache zur Bedeutung: Ein System versteht, was ein Satz meint. Natural Language Generation (NLG) beschreibt den umgekehrten Weg von der Bedeutung zur Sprache: Ein System formuliert selbst einen Text.

Die Computerlinguistik ist die wissenschaftliche Disziplin dahinter. Sie untersucht Sprache mit den Methoden der Informatik, Natural Language Processing bezeichnet eher die praktische Anwendung.

Wie nutzt Google Natural Language Processing?

Google setzt Natural Language Processing seit mehr als zehn Jahren ein, um Suchanfragen und Webseiten nach ihrer Bedeutung statt nach einzelnen Wörtern abzugleichen. Die Entwicklung lief in Stufen, jede davon ein eigenes System:

• Hummingbird (2013): Das Update stellte die Bedeutung der ganzen Anfrage in den Mittelpunkt, statt jedes Wort einzeln zu werten.
• RankBrain (2015): RankBrain war das erste Deep-Learning-System der Google-Suche und half vor allem bei Anfragen, die Google noch nie gesehen hatte.
• Google BERT (2019): BERT liest ein Wort im Kontext der Wörter davor und danach und versteht damit kleine Wörter wie „für“ oder „ohne“, die den Sinn einer Anfrage drehen.
• MUM (2021): Das Multitask Unified Model verarbeitet Text und Bilder und überträgt Wissen zwischen Sprachen.
• Gemini (seit 2023): Modelle der Gemini-Familie formulieren heute die Antworten in den AI Overviews und im KI Mode der Google-Suche.

Zusammen bilden diese Systeme die Grundlage der semantischen Suche. Einen Einblick, wie Google Texte maschinell liest, gibt die Natural Language API in der Google Cloud. Sie zeigt für jeden Text die erkannten Entitäten, eine Gewichtung namens Salience zwischen 0 und 1 und die Stimmung des Textes. Die API ist ein eigenes Produkt und kein Fenster in das Ranking, eignet sich aber gut, um zu prüfen, ob ein Text sein Hauptthema für eine Maschine klar erkennbar macht.

Was bedeutet Natural Language Processing für SEO und KI-Sichtbarkeit?

Natural Language Processing belohnt Texte, die ein Thema klar, eindeutig und in natürlicher Sprache behandeln. Wiederholte Keywords bringen einem Sprachmodell keine zusätzliche Information, sie stören eher den Lesefluss. Aus der Funktionsweise ergeben sich 5 Regeln für Inhalte:

1. Entitäten eindeutig benennen: Unternehmen, Produkte, Orte und Personen sollten immer gleich heißen. Je klarer eine Entität beschrieben ist, desto sicherer verknüpft ein System sie mit seinem Wissen, zum Beispiel mit dem Knowledge Graph.
2. Kontext statt Wiederholung: Ein Text über Brot zeigt seine Tiefe durch Begriffe wie Sauerteig, Mehltype und Backzeit, nicht durch zehnmal „Brot kaufen“.
3. Fragen direkt beantworten: Steht die Antwort im ersten Satz eines Abschnitts, erkennt ein System sie als Antwort und kann sie herauslösen.
4. Abschnitte in sich verständlich halten: KI-Systeme zerlegen Seiten in Textstücke und bewerten jedes Stück einzeln. Ein Abschnitt, der ohne den Rest der Seite verständlich ist, wird eher übernommen. Wie das im Detail aussieht, beschreibt der Ratgeber zu zitierfähigem Content.
5. Bedeutung zusätzlich auszeichnen: Strukturierte Daten sagen einer Maschine direkt, was ein Text beschreibt, und nehmen ihr das Raten ab.

Für die KI-Sichtbarkeit wiegt das doppelt. Große Sprachmodelle sind selbst angewandtes Natural Language Processing: Sie lernen aus Trainingsdaten, welche Marke wofür steht, und lesen Webseiten beim Live-Abruf nach denselben Regeln. Wie sich Inhalte gezielt für diese Systeme aufbereiten lassen, zeigt unsere Seite zu GEO und KI-Sichtbarkeit.

Ein verbreiteter Irrtum sind sogenannte NLP-Keywords. Manche Tools listen Begriffe, die in gut rankenden Texten häufig gemeinsam vorkommen, und verkaufen sie unter diesem Namen. Eine offizielle Liste solcher Begriffe von Google gibt es nicht. Die Listen helfen beim Finden von Unterthemen, sind aber keine Vorgabe, die ein Text abarbeiten muss.

Häufige Fragen zu Natural Language Processing

Ist Natural Language Processing dasselbe wie künstliche Intelligenz?
Nein. Natural Language Processing ist ein Teilgebiet der künstlichen Intelligenz, das sich speziell mit Sprache befasst. Andere Teilgebiete der KI beschäftigen sich etwa mit Bildern, Robotik oder Planung.

Ist ChatGPT ein Beispiel für Natural Language Processing?
Ja. ChatGPT beruht auf einem großen Sprachmodell und verbindet beide Richtungen des Natural Language Processing: Es versteht die Eingabe (NLU) und formuliert eine Antwort (NLG).

Was hat Natural Language Processing mit Neuro-Linguistischem Programmieren zu tun?
Nichts außer der Abkürzung. Neuro-Linguistisches Programmieren ist ein Kommunikations- und Coachingmodell aus der Psychologie der 1970er Jahre. Natural Language Processing ist ein Fachgebiet der Informatik.