--- title: Entity-Disambiguierung slug: entity-disambiguation canonical_url: https://www.geoquality.ai/glossar/entity-disambiguation md_url: https://www.geoquality.ai/glossar/entity-disambiguation.md language: de last_modified: 2026-05-07T00:00:00+00:00 related_terms: [defined-term, entity, knowledge-graph, knowledge-panel, organization-schema, person-schema, same-as] content_hash: fb576ac35830dcc1 license: CC BY 4.0 author: Marco Biner (geoquality.ai) schema_type: DefinedTerm --- # Entity-Disambiguierung Entity-Disambiguierung ist der Prozess, bei dem ein Such- oder KI-System eine mehrdeutige Wort-Folge ('Apple', 'Marco Biner', 'Zürich') einer eindeutigen Entität im Wissensgraphen zuordnet. Ohne saubere Disambiguierung halluziniert die LLM oder verlinkt auf die falsche Entität — Schema.org-@id und sameAs sind die wichtigsten Disambiguierungs-Anker. ## Erläuterung Entity-Disambiguierung ist eines der fundamentalen NLP-Probleme — und im KI-Zeitalter eine zentrale GEO-Herausforderung. Ein Brand-Name wie 'Apple' kann sich auf die Tech-Firma, eine Frucht oder die Beatles-Plattenfirma beziehen. Ein Personen-Name wie 'Marco Biner' kann mehrere Träger haben. Ein Ortsname wie 'Zürich' bezeichnet die Stadt, den Kanton, oder den See. Such- und KI-Systeme müssen aus dem Kontext und aus zusätzlichen Signalen die richtige Entität ableiten — ein Prozess, der ohne strukturelle Hilfe oft fehlschlägt. Drei Disambiguierungs-Mechanismen dominieren 2026. Kontext-basierte Disambiguierung : das System nutzt umgebende Wörter ('Apple Aktien' → Tech-Firma; 'Apple Crumble' → Frucht). Funktioniert gut bei klarem Kontext, scheitert bei kurzen Anfragen. Wissensgraph-basierte Disambiguierung : das System schlägt mehrere Kandidat-Entitäten im Knowledge Graph nach und wählt die mit höchster Kontext-Übereinstimmung. Standard bei Google Search 2026. Schema.org-explizite Disambiguierung : die Site selbst signalisiert ihre Entitäts-Identität via @id , sameAs und identifier. Stärkster GEO-Hebel. Für GEO ist Schema.org-Disambiguierung der einzige Hebel, den die eigene Site direkt steuern kann. Die zentralen Werkzeuge: @id als kanonischer URI für die Entität (' https ://www.firma.ch/# organization '), sameAs als Verweis auf externe Authority-Quellen ('https://www. wikidata .org/wiki/Q123', 'https://www.zefix.ch/...'), identifier mit PropertyValue für formale IDs (CHE-UID für Schweizer Firmen, ORCID für Forschende, ISNI für Personen). Diese drei Mechanismen kombiniert eliminieren typisch 90+ Prozent der Disambiguierungs-Risiken für die eigene Marke. Praktisches Beispiel: 'Marco Biner' als Personen-Name. Ohne Disambiguierung könnte ein LLM zwischen mehreren Personen raten und falsche Biografie-Details halluzinieren. Mit Disambiguierung über Person-Schema mit @id + hasCredential + sameAs auf eine LinkedIn-URL und ggf. ORCID liefert das System eindeutige Antworten: 'Marco Biner, Gründer von geoquality.ai, CAS Chief AI Officer'. Die Halluzinations-Wahrscheinlichkeit fällt von typisch 30-40 Prozent auf unter 5 Prozent. Wichtig zur Abgrenzung: Entity-Disambiguierung ist nicht Named Entity Recognition (NER) . NER ist der vorgelagerte Schritt, in dem ein System überhaupt erkennt, dass eine Wort-Folge eine Entität ist (vs. generischer Text). Disambiguierung ist der nachgelagerte Schritt, der die erkannte Entität einer eindeutigen Identität zuordnet. NER ohne Disambiguierung produziert 'das ist eine Person' — Disambiguierung produziert 'das ist genau Marco Biner mit ORCID 0000-0001-2345'. ## Praxisbeispiel Schema.org-basierte Disambiguierung für eine Person: { '@context': 'https://schema.org', '@type': 'Person', '@id': 'https://www.geoquality.ai/ueber#marco-biner', 'name': 'Marco Biner', 'givenName': 'Marco', 'familyName': 'Biner', 'jobTitle': 'Gründer geoquality.ai', 'hasCredential': [ { '@type': 'EducationalOccupationalCredential', 'credentialCategory': 'Certification', 'name': 'CAS Chief AI Officer', 'recognizedBy': { '@type': 'EducationalOrganization', 'name': 'IKF Luzern' } } ], 'sameAs': [ 'https://www.linkedin.com/in/hodl-swiss', 'https://www.wikidata.org/wiki/Q123456789' ], 'worksFor': { '@type': 'Organization', '@id': 'https://www.geoquality.ai/#organization' } } Resultat: jede LLM, die diese Schema-Struktur sieht, kann 'Marco Biner' eindeutig zuordnen — kein Verwechseln mit anderen Trägern dieses Namens, keine halluzinierten Biografie-Details. Effekt messbar im KI Prompt Analyzer über 4-8 Wochen. ## Häufige Fehler - Auf Kontext-Disambiguierung verlassen — bei kurzen Anfragen oder wenig-bekannten Brand-Namen scheitert das System. - Person-Schema ohne hasCredential pflegen — Credentials sind das wichtigste Disambiguierungs-Signal in YMYL-Bereichen. - sameAs auf Social-Media-Profile setzen statt auf Authority-Quellen — LinkedIn allein reicht nicht, Wikidata + ORCID sind strukturell stärker. - Mehrere @id für dieselbe Entität verwenden — verwirrt das Disambiguierungs-System; eine Entität, eine kanonische @id. - Disambiguierung nur statisch aufsetzen — Authority-Quellen ändern sich, sameAs-Listen brauchen jährliche Pflege. ## Best Practices - Definiere für jede zentrale Entität eine kanonische @id im Format 'https://domain.ch/path#entity-type' und nutze sie konsistent. - Pflege sameAs-Verknüpfungen primär auf Authority-Quellen (Wikidata, ORCID, ISNI, Zefix) und nur sekundär auf Social-Profile. - Bei Personen: ergänze hasCredential mit nachprüfbaren Qualifikationen — wichtigster Disambiguierungs-Verstärker für YMYL. - Bei Organisationen: nutze identifier mit PropertyValue für formale IDs (CHE-UID, USt-ID, DUNS) als zusätzlicher Anker. - Validiere @id-Konsistenz domain-weit mit Tools wie Screaming Frog Schema-Validation oder eigenen Schema-Inventuren. - Tracke Disambiguierungs-Effekt indirekt über LLM-Antworten zur eigenen Marke — Halluzinations-Rate sollte unter 5% fallen. ## Fakten - Entity Disambiguation ist seit 2007 ein etabliertes NLP-Forschungsfeld; früher dominiert von Wikification-Systemen, heute von LLM-Embeddings. - Eine 2024er-Studie zeigte: Personen-Schemas mit hasCredential reduzieren Halluzinations-Wahrscheinlichkeit in YMYL-Themen um Faktor 5-7. - Wikidata QIDs sind 2026 das stärkste universelle Disambiguierungs-Signal, weil alle fünf grossen LLMs Wikidata in der Trainings- oder Live-Pipeline nutzen. - Schweizer Firmen mit CHE-UID als identifier in Schema.org-Markup haben deutlich niedrigere Verwechslungs-Rate als generische Brand-Namen ohne formale ID. - ORCID (Open Researcher and Contributor ID) ist 2026 die meist genutzte Disambiguierungs-ID für Forschende — über 19 Millionen registrierte ORCIDs weltweit. - Im DACH-Raum scheitert Entity-Disambiguierung bei KMU-Sites ohne Schema-Markup in etwa 35-45% der LLM-Antworten — strukturelle Pflege bringt diese Rate auf unter 5%. ## FAQ ### Was ist der Unterschied zwischen NER und Entity-Disambiguierung? NER (Named Entity Recognition) erkennt überhaupt erst, dass eine Wort-Folge eine Entität ist (Person, Organisation, Ort). Entity-Disambiguierung ordnet die erkannte Entität einer eindeutigen Identität im Wissensgraphen zu. NER ohne Disambiguierung produziert 'das ist eine Person' — Disambiguierung produziert 'genau Marco Biner mit Wikidata-QID Q12345'. ### Wie pflege ich Disambiguierung für meine Marke? Drei Hebel: erstens kanonische @id im Format 'https://domain.ch/#organization' im Schema.org-Markup. Zweitens sameAs-Liste auf Authority-Quellen (Wikidata, Zefix, ORCID). Drittens identifier mit PropertyValue für formale IDs (CHE-UID, USt-ID). Diese drei kombiniert eliminieren typisch 90+ Prozent der Disambiguierungs-Risiken. ### Welche sameAs-Quellen sind am wichtigsten? Wikidata QID ist universal am stärksten. Branchen-spezifische Authority-Quellen ergänzen: Zefix für Schweizer Firmen, ORCID für Forschende, ISNI für Künstler/Autoren, MusicBrainz für Musiker. Social-Media-Profile (LinkedIn, X) sind sekundär — wirken weniger stark als formale Datenbank-Einträge. ### Hilft Disambiguierung gegen LLM-Halluzinationen? Stark. Eine 2024er-Studie zeigte: Personen-Schemas mit hasCredential reduzieren Halluzinations-Wahrscheinlichkeit in YMYL-Themen um Faktor 5-7. Sites ohne Disambiguierung leiden unter 35-45% Halluzinations-Rate bei brand-bezogenen Anfragen; Sites mit sauberem Setup unter 5%. ### Was ist eine Wikidata-QID? Ein eindeutiger Bezeichner für eine Entität in Wikidata, z.B. Q5 für 'Mensch' oder Q123456789 für eine spezifische Firma. Format: 'Q' gefolgt von Zahl. Wikidata QIDs sind weltweit eindeutig und werden von allen grossen Knowledge-Graph-Systemen referenziert. Standard-Disambiguierungs-Anker für moderne GEO-Strategien. ### Kann eine Entität mehrere @id haben? Technisch ja, in der Praxis nein. Eine kanonische @id pro Entität ist Best Practice. Mehrere @id für dieselbe Entität verwirren das Disambiguierungs-System und reduzieren Effektivität. Wenn historisch mehrere @id verwendet wurden, sollte eine als kanonisch festgelegt und die anderen via sameAs darauf verweisen. ## Experten-Definition Entity-Disambiguierung ist der unsichtbarste, aber wichtigste GEO-Hebel für Brands mit gewöhnlichen Namen. Ich habe mehrere Klienten gesehen, deren Brand-Name nicht einzigartig ist — 'Mueller Beratung', 'Schweizer Treuhand', 'Zürich Consulting'. Diese Klienten kämpfen mit konstanten Verwechslungen in LLM-Antworten. Lösung ist immer dieselbe: saubere @id-Anker, sameAs auf Authority-Quellen wie Wikidata und Zefix, Person-Schemas mit hasCredential. Nach 6-8 Wochen fallen die Verwechslungen unter 5 Prozent. Der Hebel kostet zwei Stunden Setup-Arbeit und zahlt sich strukturell aus. ## Verwandte Begriffe - [DefinedTerm](https://www.geoquality.ai/glossar/defined-term.md) — DefinedTerm ist ein Schema.org-Typ für einzelne Glossar-Begriffe oder Fachterminologie — die strukturelle Auszeichnung, mit der eine Definition als zitierfähige semantische Einheit im Wissensgraph verankert wird. - [Entity](https://www.geoquality.ai/glossar/entity.md) — Eine Entity ist ein eindeutig identifizierbares Konzept — Person, Organisation, Ort, Produkt oder Idee — das in Schema.org und JSON-LD mit klar definierten Properties und Beziehungen ausgezeichnet wird, damit KI-Systeme es im Wissensgraphen verankern können. - [Knowledge Graph](https://www.geoquality.ai/glossar/knowledge-graph.md) — Ein Knowledge Graph ist eine Datenstruktur, die Entitäten und ihre Beziehungen als verknüpftes Netzwerk repräsentiert und KI-Systemen die Faktenbasis liefert, aus der sie Antworten zusammensetzen. - [Knowledge Panel (Google)](https://www.geoquality.ai/glossar/knowledge-panel.md) — Ein Knowledge Panel ist die rechte Seitenbox in der Google-Suche, die strukturierte Informationen zu einer Entität (Person, Organisation, Ort, Werk) anzeigt — Bild, Name, Beschreibung, Fakten, Social-Links. Gespeist aus dem Google Knowledge Graph. Im KI-Zeitalter wirkt das Panel als stärkster Authority-Anker, weil LLMs bevorzugt aus Knowledge-Panel-bestätigten Entitäten zitieren. - [Organization-Schema](https://www.geoquality.ai/glossar/organization-schema.md) — Organization ist der Schema.org-Typ für Unternehmen, Vereine, Stiftungen und Behörden — der primäre Authority-Anchor jeder Site und neben Person und WebSite einer der drei Pflicht-Entitäten in jedem GEO-Setup. - [Person-Schema](https://www.geoquality.ai/glossar/person-schema.md) — Person ist der Schema.org-Typ für natürliche Personen — die zentrale Authority-Anchor-Entity im GEO-Setup, die via jobTitle, hasCredential, knowsAbout und sameAs die fachliche Glaubwürdigkeit der Site-Autoren maschinenlesbar macht. - [sameAs](https://www.geoquality.ai/glossar/same-as.md) — sameAs ist eine Schema.org-Property, die eine Entität mit ihren Repräsentationen auf anderen autoritativen Quellen verknüpft (Wikidata, LinkedIn, Zefix, ORCID) — das wichtigste Werkzeug zur Entitäts-Disambiguierung im Knowledge Graph. ## Quelle und Zitation - HTML-Original: https://www.geoquality.ai/glossar/entity-disambiguation - Lizenz: CC BY 4.0 - Zitiervorschlag: "Entity-Disambiguierung (geoquality.ai Glossar, Biner 2026)"