Die semantische Suche ist ein Suchverfahren, das Inhalte nach ihrer Bedeutung findet statt nach exakter Übereinstimmung von Stichwörtern. Suchanfrage und Dokumente werden als Vektoren abgebildet und über eine Ähnlichkeitssuche verglichen — so versteht das System, was gemeint ist, nicht nur, was geschrieben steht.
Unterschied zur klassischen Volltextsuche
Eine Volltextsuche (etwa mit LIKE oder BM25) matcht Wörter und Zeichenfolgen. Synonyme, Tippfehler, andere Sprachen oder Umschreibungen führen zu leeren Ergebnissen. Die semantische Suche hingegen arbeitet mit Embeddings: Eine Frage wie „Welches Auto ist sparsam?" findet Dokumente über Kraftstoffverbrauch, auch wenn das Wort „Auto" dort nie auftaucht.
Wie sie funktioniert
- Alle Dokumente werden per Embedding-Modell in Vektoren umgewandelt und in einer Vektordatenbank gespeichert.
- Die Suchanfrage wird mit demselben Modell vektorisiert.
- Die Datenbank liefert die ähnlichsten Vektoren — als Metrik dient meist die Kosinus-Ähnlichkeit.
- Die Treffer werden nach Ähnlichkeit gerankt und ausgegeben.
Anwendungen
- Produktsuche im E-Commerce, die auch umgangssprachliche Begriffe versteht.
- Wissensportale und Support-Chatbots mit natürlicher Spracheingabe.
- RAG-Systeme, die passende Dokumente als LLM-Kontext abrufen.
- Empfehlungen und Ähnlichkeitsanalysen in Medien- und Dokumentbeständen.
Oft kombiniert man semantische Suche mit klassischer Volltextsuche (Hybrid Search), um beides zu nutzen: exakte Begriffe und Bedeutung. Werkzeuge wie Elasticsearch (kNN), OpenSearch, Typesense und pgvector unterstützen beide Welten.
Verwandte Grundlagen: RAG in der Praxis, Prompt-Engineering-Muster, Maschinelles Lernen.