Entity

Ein Satz wie „Tim Cook stellte das neue iPhone in Cupertino vor“ enthält für einen Menschen sofort erkennbare Dinge: eine Person, ein Produkt, einen Ort. Genau solche eindeutig benennbaren Dinge heißen in der Informatik Entities, auf Deutsch Entitäten. Eine Entity ist also nicht einfach ein Wort, sondern etwas, das in der Welt existiert und einen Namen hat. Dazu zählen Personen, Firmen, Städte, Länder, Produkte, Geldbeträge und Zeitangaben. Der Rest des Satzes – „stellte“, „das neue“, „vor“ – beschreibt nur, was zwischen diesen Dingen passiert. Software, die Texte auswertet, sucht zuerst nach den Entities und dann nach den Beziehungen zwischen ihnen.

Vom Textklumpen zur auswertbaren Information

Für einen Computer ist ein Text zunächst nur eine lange Kette von Zeichen. Er kann sie speichern und anzeigen, aber nicht damit rechnen. Erst wenn klar ist, dass „Cupertino“ ein Ort und „Tim Cook“ eine Person ist, lassen sich sinnvolle Fragen stellen. Zum Beispiel: In welchen Städten hat Apple im letzten Jahr Produkte vorgestellt? Das Erkennen von Entities ist damit der Schritt von unstrukturiertem Text zu geordneten Daten.

Besonders wichtig ist das in der Finanzwelt. Nachrichtenagenturen und Handelsplattformen werten täglich zehntausende Meldungen aus. Ein Programm muss dabei erkennen, welche Firma in einer Meldung gemeint ist, um sie dem richtigen Börsenkurs zuzuordnen. Steht in der Meldung „Alphabet“, muss klar sein, dass die Google-Mutter gemeint ist und nicht das Alphabet aus dem Deutschunterricht. Solche Verwechslungen können teuer werden.

Ein zweiter Grund ist Nachvollziehbarkeit. Sprachmodelle formulieren flüssige Antworten, aber ihre Aussagen lassen sich schwer prüfen. Wenn ein System stattdessen ausgibt, welche Person mit welcher Firma verbunden ist, kann man diese Einzelaussage gezielt kontrollieren. Entities machen Ergebnisse also überprüfbar.

Erkennen und richtig zuordnen

Der erste Arbeitsschritt heißt Named Entity Recognition, oft mit NER abgekürzt. Dabei markiert ein Programm alle Textstellen, die eine Entity sind, und gibt jeder eine Kategorie: Person, Organisation, Ort, Datum. Frühere Systeme arbeiteten mit langen Listen und festen Regeln, etwa: ein großgeschriebenes Wort nach „Frau“ ist ein Nachname. Heutige Systeme lernen das aus vielen tausend Beispieltexten, in denen Menschen die Entities von Hand markiert haben.

Der zweite Schritt ist schwieriger und heißt Entity Linking. Hier wird die gefundene Textstelle mit einem eindeutigen Eintrag in einer Datenbank verknüpft. „Paris“ kann die französische Hauptstadt sein, eine Stadt in Texas oder ein Vorname. Erst der Zusammenhang entscheidet: Steht „Eiffelturm“ im selben Absatz, ist die Hauptstadt gemeint. Ohne diesen Schritt bleiben Namen nur Buchstaben ohne festen Bezug.

Umgekehrt gibt es das gleiche Problem: Ein Ding kann viele Namen haben. „VW“, „Volkswagen“ und „der Wolfsburger Konzern“ meinen dasselbe Unternehmen. Ein gutes System führt alle drei auf eine einzige Entity zurück. Ein typischer Irrtum ist übrigens, Entity mit Schlüsselwort zu verwechseln. Ein Schlüsselwort ist bloß ein häufiges Wort; eine Entity ist ein identifizierbares Objekt mit eigener Identität.

Entities in Suchmaschinen, Chats und Kursdaten

Am sichtbarsten wird das Prinzip bei Google. Suchst du nach einem Fußballspieler, erscheint rechts ein Kasten mit Geburtsdatum, Verein und Größe. Diese Angaben stammen aus einer riesigen Sammlung von Entities und ihren Beziehungen, dem sogenannten Knowledge Graph. Google beantwortet die Suche dort nicht mit Textstellen, sondern mit Fakten über ein bestimmtes Ding.

Auch Sprachassistenten arbeiten so. Sagst du „Erinnere mich morgen um acht an den Zahnarzt“, zerlegt das Gerät den Satz in ein Datum, eine Uhrzeit und einen Anlass. Diese Bausteine sind Entities, und ohne sie könnte kein Termin angelegt werden. Chatbots in Onlineshops nutzen dasselbe Verfahren, um Bestellnummern und Produktnamen aus deiner Nachricht zu ziehen.

In Wirtschaftsnachrichten begegnet dir der Begriff oft in Verbindung mit automatischer Analyse. Anbieter versprechen, Meldungen nach Firmen zu sortieren und die Stimmung dazu zu bewerten. Beides setzt voraus, dass die Firmen als Entities zuverlässig erkannt wurden. Wer diesen ersten Schritt schlecht macht, produziert am Ende falsche Statistiken – egal wie gut die restliche Technik ist.