Entity-Disambiguierung

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'.

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.