Semantische Dokumentenanalyse mit KI — Wie Wikipedia zum Wissensmodell wird

Traditionelle Suchsysteme arbeiten oft keywordbasiert. Das funktioniert gut, solange exakt dieselben Begriffe verwendet werden. In der Praxis entstehen jedoch schnell Probleme:

• unterschiedliche Schreibweisen
• Synonyme
• Fachbegriffe
• Kontextabhängigkeit
• Mehrdeutigkeiten
• unterschiedliche Ausdrucksweisen

Zwei Dokumente können inhaltlich fast identisch sein — ohne dieselben Wörter zu verwenden. Genau deshalb wird semantische Analyse relevant.

Vergrössern

Semantische Systeme versuchen nicht nur Wörter zu erkennen, sondern Konzepte und Zusammenhänge. Die zentrale Frage lautet: «Worum geht es in diesem Dokument tatsächlich?»

Dadurch entstehen deutlich intelligentere Möglichkeiten für:

• Dokumentensuche
• Matching
• Empfehlungssysteme
• Wissensmanagement
• Skill-Mapping
• automatische Klassifikation

Im Forschungsprojekt wurde genau dafür ein semantisches Modell entwickelt — auf Basis der deutschen Wikipedia. Warum Wikipedia?

• riesige Mengen strukturierter Inhalte
• Konzepte werden miteinander verknüpft
• thematische Beziehungen werden abgebildet
• kontinuierliche Erweiterung

Jeder Wikipedia-Artikel wurde dabei als semantisches Konzept verstanden. Dadurch entstand ein grosser Wissensraum, in dem Dokumente semantisch positioniert werden können.

Das Projekt basiert auf einem ESA-inspirierten Ansatz (Explicit Semantic Analysis). Die Idee: Texte werden nicht direkt miteinander verglichen, sondern über Konzepte, die aus einer Wissensbasis abgeleitet werden.

Dadurch entsteht eine semantische Beschreibung eines Dokuments — eine Art inhaltlicher Fingerabdruck.

Der Forschungsfokus lag nicht nur auf allgemeiner Textanalyse, sondern auf einem konkreten Problem: automatisiertes Matching zwischen:

• Lebensläufen
• Ausbildungsprofilen
• Stelleninseraten
• Kompetenzen
• Fähigkeiten
• Bildungswegen

Das Ziel: nicht nur Keywords erkennen — sondern tatsächliche inhaltliche Nähe.

Klassische Systeme arbeiten oft mit festen Kategorien, Schlagwortlisten und statischen Filtern. Das Problem: Menschen beschreiben Fähigkeiten unterschiedlich.

Ein semantischer Ansatz kann trotzdem Zusammenhänge erkennen — zum Beispiel ähnliche Fachgebiete, verwandte Kompetenzen, inhaltliche Überschneidungen und ähnliche Berufsfelder. Dadurch entsteht deutlich flexibleres Matching.

Ein zentrales Problem war die Analyse unstrukturierter und semi-strukturierter Dokumente. Gerade Lebensläufe oder Stellenprofile unterscheiden sich stark:

• unterschiedliche Formate
• verschiedene Schreibstile
• uneinheitliche Struktur
• individuelle Begrifflichkeiten

Das macht klassische Analyse schwierig.

Die Architektur bestand aus mehreren Schritten:

• Wikipedia-Dump analysieren
• irrelevante Inhalte entfernen
• Konzepte erweitern und bereinigen
• domänenspezifisch filtern
• semantische Matrix erzeugen
• Dokumente als Vektoren darstellen

Dadurch entstand ein spezialisierter Wissensraum für Bildungs- und Jobprofile.

Vergrössern

Ein besonders interessanter Punkt: Das Modell wurde bewusst auf einen spezifischen Bereich fokussiert. Nicht die gesamte Wikipedia war relevant — sondern nur Inhalte, die mit Ausbildung, Kompetenzen, Berufen, Jobprofilen und Fähigkeiten zusammenhängen.

Dadurch reduzierte sich das Rauschen erheblich.

Viele KI-Systeme scheitern an zu allgemeinem Kontext. Domain-spezifische Modelle sind oft deutlich präziser, weil:

• Fachbegriffe besser verstanden werden
• irrelevante Informationen verschwinden
• Beziehungen klarer werden
• semantische Nähe realistischer berechnet wird

Die Datenbasis war enorm:

• ca. 2.5 Millionen Wikipedia-Seiten
• über 3 Millionen validierte Einträge nach Erweiterung
• später reduziert auf rund 40'000 domänenspezifische Konzepte

Zusätzlich wurden Lebensläufe, Bildungsbeschreibungen und Jobinserate in das Modell integriert.

Die Inhalte wurden anschliessend in Vektoren transformiert. Zum Einsatz kam TF-IDF (Term Frequency – Inverse Document Frequency). Dadurch konnten Dokumente mathematisch verglichen werden: Ähnlichkeit, Distanz, thematische Nähe und gemeinsame Konzepte wurden berechenbar.

Dadurch konnten beispielsweise ähnliche Lebensläufe erkannt, passende Stellenprofile vorgeschlagen, Ausbildungswege verglichen und semantische Cluster gebildet werden.

Das System arbeitete also nicht nur mit Keywords — sondern mit Bedeutungsräumen.

In den Experimenten entstanden klar erkennbare Cluster. Zum Beispiel wurden technische Berufe, Gesundheitswesen, Informatik und Maschinenbau semantisch gruppiert.

Das zeigt: Das Modell erkannte tatsächlich thematische Zusammenhänge — weit über einfache Keyword-Übereinstimmungen hinaus.

Vergrössern

Die Grundidee des Projekts ist heute aktueller denn je. Unternehmen arbeiten zunehmend mit Wissensdatenbanken, Dokumentensammlungen, internen Plattformen, KI-Suche, RAG-Systemen, semantischer Suche, Embeddings und Wissensgraphen.

Die Herausforderung bleibt dieselbe: Wie macht man Wissen maschinell verständlich?

Moderne KI-Systeme entwickeln sich weg von klassischer Suche — hin zu semantischem Verständnis. Heute sichtbar bei ChatGPT, Enterprise Search, RAG-Systemen, Copilots und Wissensassistenten.

Die Grundprinzipien bleiben ähnlich: Konzepte erkennen, Kontext verstehen, semantische Nähe berechnen, Inhalte intelligent verknüpfen.

Ein zentraler Punkt des Projekts: Nicht das Modell allein entscheidet. Sondern Datenqualität, Struktur, Kontext, semantische Relevanz und Domänenverständnis.

Genau deshalb funktionieren generische Systeme oft schlechter als gut strukturierte, fokussierte Modelle.

Viele KI-Diskussionen fokussieren heute auf Modelle. Das Projekt zeigt jedoch: Der grössere Aufwand liegt oft bei Datenaufbereitung, Strukturierung, Wissensmodellierung, semantischer Filterung und Architektur.

Erst dadurch entstehen wirklich nutzbare Systeme.

Dieser Beitrag basiert auf einer wissenschaftlichen Arbeit, die den vollständigen methodischen Aufbau beschreibt: von der Wikipedia-Datenbasis über ESA und TF-IDF bis zur domänenspezifischen Filterung und dem semantischen Matching von Karriere- und Bildungsdokumenten.

Semantische Dokumentenanalyse verändert, wie Informationen verstanden und verknüpft werden können. Das vorgestellte Forschungsprojekt zeigt, wie aus Wikipedia, Lebensläufen, Stellenprofilen und Bildungsdaten ein intelligentes semantisches Wissensmodell entsteht.

Nicht Keywords stehen im Zentrum — sondern Bedeutung. Und genau darin liegt bis heute einer der wichtigsten Hebel moderner KI-Systeme: Informationen nicht nur speichern — sondern tatsächlich verstehen.