Optimierung von Suchergebnissen durch einen KI-basierten Assoziationsalgorithmus
Zweistufiges Verfahren zur semantischen Suche
Keyword-Extraktion
Semantische Assoziationen
Im Rahmen meiner Bachelorarbeit entwickelte ich einen innovativen Assoziationsalgorithmus zur Verbesserung von Suchergebnissen in einem Business-Intelligence-System.
Die Herausforderung bestand darin, die bestehende Suchfunktionalität deutlich zu erweitern und zu optimieren, da klassische Suchmethoden wie Wildcard-Suchen oder boolsche Operatoren semantische Zusammenhänge und Synonyme nicht ausreichend berücksichtigen konnten. Mein Algorithmus kombiniert Information Retrieval Methoden mit moderner KI, um relevante Inhalte effektiver zu finden.
Die zentralen Herausforderungen lagen in:
Der entwickelte Algorithmus nutzt ein zweistufiges KI-Verfahren:
Mittels KeyBERT, basierend auf einem deutschen Transformer-Modell (DistilBERT), werden aus jedem Fördermittel-Volltext relevante Schlüsselbegriffe („Tags") extrahiert.
Mit Word2Vec generiert der Algorithmus semantisch verwandte Begriffe zu den extrahierten Schlüsselwörtern, wodurch die Suchergebnisse erweitert und verbessert werden.
Ein speziell entwickeltes Scoring-Modell gewichtet diese Begriffe, um deren Relevanz für Suchanfragen optimal zu bewerten.
Durch systematische Evaluation konnte gezeigt werden, dass der neue Algorithmus die Präzision und insbesondere den Recall signifikant verbessert. Nutzer erhalten durch die Berücksichtigung semantischer Beziehungen deutlich umfassendere und relevantere Ergebnisse.
Die Implementierung als eigenständiger Prozess, der einmal wöchentlich erfolgt, gewährleistet dabei eine hohe Performance und Skalierbarkeit.
Zum Einsatz kamen folgende Technologien:
Der entwickelte Algorithmus stellt eine zukunftsweisende Lösung dar, die leicht auf andere Business-Intelligence-Systeme übertragbar ist und signifikant zur Verbesserung der Nutzererfahrung beiträgt.
Bachelorarbeit
2024