BERT-Algorithmus: Wie Google lernte, Sprache im Kontext zu lesen

BERT ist eine Technik mit neuronalen Netzen für die Verarbeitung natürlicher Sprache, die Google im Oktober 2019 in die Suche einführte. Als Abkürzung für Bidirectional Encoder Representations from Transformers hilft es der Engine, den vollständigen Kontext von Wörtern in einer Suchanfrage zu verstehen, indem es die Wörter berücksichtigt, die vor und nach jedem einzelnen kommen. Beim Start sagte Google, es werde eine von zehn englischsprachigen Suchen in den Vereinigten Staaten verbessern, der größte Sprung in seinem Sprachverständnis seit RankBrain.

BERT ist keine Ranking-Strafe und kein Kniff, den man austricksen kann. Es ist ein Verständnis-Upgrade, das Google erlaubt, unsaubere, konversationelle Formulierungen so zu interpretieren, wie es ein Mensch täte. Für jeden, der Content schreibt, belohnt diese Verschiebung klare, natürliche Sprache und bestraft leise Keyword-Tricks, die die Bedeutung ignorieren.

Was ist der BERT-Algorithmus?

BERT ist zugleich drei Dinge: eine Komponente der Google-Suche, ein quelloffenes Forschungs-Rahmenwerk und ein allgemeines Werkzeug zur Verarbeitung natürlicher Sprache. Google stellte es 2018 quelloffen bereit und integrierte es im folgenden Jahr in die Suche. Seine Aufgabe ist es zu modellieren, wie Wörter innerhalb eines Satzes zueinander in Beziehung stehen, sodass die Engine eine Suchanfrage als zusammenhängenden Gedanken lesen kann statt als Beutel voller Keywords.

Der Durchbruch ist das kontextuelle Verständnis. Frühere Systeme behandelten jedes Wort oft isoliert oder durchsuchten Text in einer einzigen Richtung. BERT verarbeitet ein Wort in Beziehung zu jedem anderen Wort um es herum, was ihm erlaubt, Bedeutung zu disambiguieren, Pronomen aufzulösen und zu erkennen, wann ein kleines Wort wie eine Präposition alles an einer Anfrage verändert.

Wie BERT funktioniert: bidirektionale Transformer

Das B in BERT steht für bidirektional. Ältere Sprachmodelle wie Word2Vec lasen Text in eine Richtung, von links nach rechts oder von rechts nach links, durch ein begrenztes Fenster. BERT liest den gesamten Satz auf beiden Seiten eines Wortes zugleich, was ihm ein weitaus reicheres Gespür für Kontext gibt. Das ist die einzelne wichtigste Idee hinter seiner Genauigkeit.

Das T steht für Transformer, die Transformer-Architektur, die die meisten modernen Sprachmodelle antreibt. BERT wird mit einer Methode namens Masked Language Modeling trainiert: Es verbirgt bestimmte Wörter und lernt, sie aus dem umgebenden Text vorherzusagen, was es zwingt, ein tiefes Modell davon aufzubauen, wie Sprache zusammenpasst. Dieses Vortraining, eine Form des maschinellen Lernens, ist es, was BERT sein allgemeines Bedeutungsverständnis verleiht.

BERT in Aktion: die Beispiele curb und Visum

Google veranschaulichte BERT mit zwei inzwischen berühmten Suchanfragen. Für die Suche 2019 brazil traveler to usa need a visa übersah das alte System das Wort to und lieferte Seiten über US-Bürger, die nach Brasilien reisen. BERT erkannte, dass die Präposition die Bedeutung umdreht, und brachte die richtige Information für einen Brasilianer hervor, der nach Amerika reist.

Das zweite Beispiel betraf das Parken an einem Hügel ohne Bordstein. Zuvor stützte sich Google auf das Wort curb und ignorierte no, was das Gegenteil dessen lieferte, was der Suchende wollte. BERT behandelte die Verneinung korrekt. Beide Fälle zeigen seine Stärke bei längeren, stärker konversationellen Suchanfragen und bei Suchen, in denen Präpositionen wie for und to die Bedeutung tragen.

BERT vs. RankBrain

BERT war die größte Veränderung der Suche, seit RankBrain rund fünf Jahre zuvor startete, und die beiden arbeiten zusammen, statt zu konkurrieren. RankBrain passt an, wie Google Suchanfragen interpretiert, und justiert Ergebnisse basierend auf dem Nutzerverhalten, indem es im Lauf der Zeit Muster lernt. Es war Googles erster großer Einsatz künstlicher Intelligenz zum Verständnis der Suche.

BERT ist spezialisierter. Es konzentriert sich auf die linguistische Struktur einer Suchanfrage und parst, wie Wörter sich verbinden, um Absicht zu bilden. Während RankBrain aus Interaktionen über viele Suchen hinweg lernt, bringt BERT tiefes Sprachverständnis in die einzelne Suchanfrage vor sich ein. Beide sind Teil einer größeren Familie von Systemen, die Google in Richtung echte semantische Suche bewegen.

Wo BERT in der Suche angewendet wird

BERT wirkt sowohl auf der Anfrageseite als auch auf der Ergebnisseite. Es hilft Google zu parsen, was ein Suchender tatsächlich meint, was am meisten bei natürlicher, gesprochen wirkender Formulierung zählt. Es treibt zudem bessere Featured Snippets an, wobei Google berichtete, BERT in zwei Dutzend Ländern angewendet zu haben, mit bemerkenswerten Zugewinnen in Sprachen wie Koreanisch, Hindi und Portugiesisch.

Weil es verbessert, wie die Engine die Suchabsicht liest, neigt BERT dazu, Seiten zu belohnen, die echte Fragen klar beantworten. Es bewegte die Suche weg vom wörtlichen Keyword-Abgleich und hin zum Abgleich der Bedeutung hinter einer Suchanfrage, weshalb Content, der ein Thema gründlich behandelt, besser abschneidet als Content, der mit exakten Phrasen vollgestopft ist.

Kann man für BERT optimieren?

Nicht direkt, und das ist der Punkt. Google war ausdrücklich: Es gibt nichts, wofür man optimieren kann. BERT ist ein Verständnis-Rahmenwerk, kein Ranking-Hebel. Die offizielle Empfehlung lautet schlicht, natürlich zu schreiben, denn BERT hilft Google, Content zu verstehen, der bereits gut liest, statt eine besondere Formatierung zu belohnen.

In der Praxis bedeutet das, sich auf Klarheit und die Bedürfnisse des Suchenden zu konzentrieren. Seiten mit gut geschriebenem, konversationellem Content, der Fragen wirklich beantwortet, profitieren tendenziell, während Keyword-Stuffing ohne Kontext Boden verlieren kann. Ihre Schreibweise an echten Nutzerfragen auszurichten, gestützt durch solide Keyword-Recherche und Content-Planung, ist der verlässlichste Weg, auf der richtigen Seite der sprachverstehenden Systeme zu bleiben.

Warum BERT für SEO und GEO wichtig ist

Für SEO bestätigte BERT eine langjährige Richtung: zuerst für Menschen schreiben. Es machte Bedeutung, Struktur und Klarheit zur Währung der Suche statt Exact-Match-Keywords und verstärkte den Wert von hilfreichem Content, der die Absicht erfüllt. Dünne oder manipulative Seiten wurden für Google leichter zu durchschauen.

Für die Generative Engine Optimization ist BERT ein früher Vorfahre der Systeme, die heute die KI-Suche antreiben. Dasselbe bidirektionale, transformerbasierte Verständnis liegt den großen Sprachmodellen hinter Assistenten wie ChatGPT, Perplexity und Gemini zugrunde. Content, der klar genug geschrieben ist, dass BERT ihn versteht, ist auch Content, den diese LLM-Systeme parsen, dem sie vertrauen und den sie zitieren können, was gute Sprache zu einer gemeinsamen Grundlage für Such- und KI-Sichtbarkeit macht.

Fazit

BERT markierte den Moment, in dem Google lernte, eine Suchanfrage im Kontext zu lesen, indem es bidirektionale Transformer nutzt, um jedes Wort gegen seine Nachbarn abzuwägen. Es verbesserte beim Start eine von zehn englischsprachigen Suchen, schärfte Featured Snippets und drängte SEO entschieden in Richtung natürliches, absichtsgetriebenes Schreiben. Es gibt keinen Trick, um dafür zu optimieren, nur die Disziplin, echte Fragen klar zu beantworten.

Um weiterzugehen, verbinden Sie dies mit der Verarbeitung natürlicher Sprache und der semantischen Suche und nutzen Sie Soranks Recherche- und Content-Planungs-Tools, um die Fragen anzuvisieren, die Menschen wirklich stellen. Referenzquellen: Google Blog, Search Engine Journal und Search Engine Land.