Embedding Eine numerische Darstellung eines Wortes oder Produkts, die dessen Bedeutung erfasst und es einer Suchmaschine erlaubt, Konzepte über semantische Nähe zu vergleichen, nicht über exakte Wortübereinstimmung. „Laufschuhe" und „Sportschuhe" werden als nahe Treffer behandelt, obwohl sie kein Wort gemeinsam haben. Definition Denken Sie an Farben und ihre RGB-Werte: „Orange" ist (255, 165, 0), „Rot" ist (255, 0, 0), „Blau" ist (0, 0, 255). An den Zahlen allein sehen Sie sofort, dass Orange und Rot verwandt sind, Orange und Blau nicht, ohne dass jemand eine Regel dafür schreiben musste. Ein Embedding macht dasselbe mit Bedeutung. Ein Modell ordnet einem Wort, einer Query oder einem Produkt eine Zahlenreihe zu (typischerweise 256 bis 1.536 Werte), die seine Bedeutung im Kontext von Millionen anderen Wörtern kodiert. „Laufschuhe" bekommt Koordinaten nah an „Sportschuhe" und „Sneaker fürs Joggen", und weit entfernt von „Couchtisch". Diese Zuordnung entsteht aus dem statistischen Muster, wie Wörter in echten Texten miteinander vorkommen, nicht aus einer manuell gepflegten Regeltabelle. Embedding vs. Vektor: Das Embedding ist der Vorgang und das Ergebnis (die Zuordnung ins Bedeutungsraum), der Vektor ist die konkrete Zahlenliste. In der Praxis werden die Begriffe oft synonym verwendet. Wofür es nützlich ist Embeddings ersparen den manuellen Aufwand für Synonymregeln: „Fahrrad", „Bike" und „Drahtesel" landen automatisch nah beieinander, weil sie in ähnlichen Kontexten vorkommen. Das funktioniert sprachübergreifend (multilinguale Modelle bilden „Schuh" und „shoe" auf ähnliche Punkte ab) und lässt sich direkt für Produktempfehlungen weiterverwenden. Zwei Produkte mit nahen Vektoren sind inhaltlich verwandt, ohne dass jemand die Beziehung definieren musste. Doofinder DooFinder erzeugt bei der Indexierung Embeddings für jedes Produkt aus Titel, Beschreibung und Attributen. Zur Suchzeit wird die Query mit demselben Modell in ein Embedding umgewandelt und mit den Produkt-Embeddings verglichen, parallel zur klassischen Keyword-Suche. Praxisbeispiel Ein Nutzer sucht „wasserdichte Jacke für Bergwanderung im Herbst". Ein Keyword-System findet nur Jacken, deren Beschreibung diese Wörter enthält, vielleicht drei Treffer. Mit Embeddings landet die Query im Bedeutungsraum nah an Produkten wie „Hardshell für Trekking" oder „atmungsaktive Regenjacke Übergangszeit", ohne dass jemals eine Synonymregel angelegt wurde. Das Ergebnis: 15 relevante Jacken statt drei.