Potential des Google Knowledge Graph im Online-Marketing von Events

Inhaltsverzeichnis

I. Inhaltsverzeichnis I

II. Abbildungsverzeichnis III

III. Tabellen Verzeichnis IV

IV. Abkürzungsverzeichnis V

1 Einleitung
1.1 Problemstellung
1.2 Zielsetzung
1.3 Methodik
1.4 Aufbau

2 Die Suche im Wandel
2.1 Evolution der Google -Suche
2.2 Semantische Wende
2.2.1 Begriffsabgrenzung semantisches Web und semantische Suche
2.2.2 Elemente der semantischen Suche
2.2.3 Knowledge Graph - Definitionen und Beispiele
2.2.4 Status quo der semantischen Suchdienste

3 Der Google Knowledge Graph
3.1 Grundlagen der semantischen Google-Suche
3.2 Position und Auswirkung des direkten Antwortformates
3.3 Eventanzeige im Google Knowledge Graph
3.3.1 Das Search Carousel
3.3.2 Das Knowledge Panel
3.4 Datenquellen
3.4.1 Strukturierte Daten
3.4.2 Daten-Markup
3.5 Arbeitsweise - Der Weg zu relevanten Ergebnissen
3.5.1 Fuzzylogik
3.5.2 TrustRank
3.5.3 Hummingbird Algorithmus
3.6 Der Google Knowledge Graph als Basis zukünftiger Anwendungen
3.6.1 Google Assistant
3.6.2 Google Knowledge Vault

4 Auswirkungen des Google Knowledge Graph auf das Online-Marketing
4.1 Grundlagen des Online-Marketings unter Einfluss der Semantik
4.2 Die 4 Vs der semantischen Suche
4.3 Kodents

5.1 Struktur der Eventbranche in Deutschland
5.2 Abhängigkeit des Einstiegs von definierten Zielen
5.3 Analyse des Potentials für das Online-Marketing anhand ausgewählter Kriterien
5.4 Überschlägige Ermittlung der Kosten/Nutzen
5.5 Make-or-Buy-Entscheidung

6 Fazit und Ausblick

V. Literaturverzeichnis VI

II. Abbildungsverzeichnis

Abbildung 1: Vertikale Suchoptionen bei Google

Abbildung 2: Die Elemente der semantischen Suche vereinfacht dargestellt

Abbildung 3: Übersicht der Ergebnistypen bei Google

Abbildung 4: Anatomie der Event Carousel Anzeige im Google Knowledge Graph

Abbildung 5: Google-Ergebnisseite nach Klick einer Eventbox im Event Carousel

Abbildung 6: Anatomie eines Knowledge Panels am Beispiel ״Metallica “

Abbildung 7: Attributliste der Entität ״Event“ nach schema.org

Abbildung 8: Das goldene Dreieck des Online-Marketings unter Einfluss der Semantik

Abbildung 9: Anzahl der Ticketverkäufe von CTS Eventim in den Jahren 2005 bis 2017

III. Tabellenverzeichnis

Tabelle 1: Übersicht über das Ausmaß der gängigen Knowledge Graphen

Tabelle 2: Marktanteile führender Suchmaschinen in Deutschland im Jahr 2016

Tabelle 3: Datenquellen für Googles Knowledge Graph - Kategorien und Beispiele

Tabelle 4: Syntax eines Quelltextes für ein Event mit Daten-Markup nach JSON-LD

Tabelle 5: Traditionelles VS. Modernes SEO - Beispiele

Tabelle 6: Kostenstmktur modernes SEO (PT=Personentage)

Abkürzungsverzeichnis

Abbildung in dieser leseprobe nicht enthalten

1 Einleitung

Die letzten zwei Jahrzehnte zeichnen sind durch rasante technologische Entwicklungen aus. Das Internet ist aus dem Alltag der Menschen nicht mehr wegzudenken und lässt die Kommunikation zwischen Kunden und Unternehmen auf einem neuen Level stattfinden (Kreutzer, 2018, s. 2). Die Suchmaschine ist das Medium, mit dem Nutzer durch das Internet navigieren und verknüpft Suchanfragen mit dazu passenden Webseiten. Ist ein Unternehmen auf den Ergebnisseiten der Suchmaschine nicht sichtbar, wird es mit an Sicherheit grenzender Wahrscheinlichkeit vom po­tentiellen Kunden nicht berücksichtigt. Gesehen und gefunden zu werden ist somit eine der zent­ralen Aufgaben des Online-Marketings (Amerland, 2014, s. 5f).

Das Internet und die Suchmaschinen haben in den letzten Jahren durch neue Datenmodelle und Technologien einen grundlegenden Strukturwandel durchlebt, der signifikante Auswirkungen auf die Suchmechanismen und deren Darstellung von Ergebnissen aufweist. Im Zuge dessen, müssen Marketingmaßnahmen und Konzepte der Unternehmen, die auf den ersten Ergebnisseiten erschei­nen möchten, an diesen Wandel angepasst werden (Dengei, 2012, s. 23 lf).

Google ist mit Abstand der meistgenutzte Suchdienst weltweilt (SEO-united, 2016) und bis dato in Nutzerfreundlichkeit und Treffsicherheit kaum übertroffen. Die Suchmaschine des Intemetgi- ganten hat durch die Funktion als Informationsfilter für die breite Masse einen immensen Stellen­wert innerhalb dieser Entwicklung, sowie eine enorme gesellschaftliche Bedeutung (Krys & Wie­demann, 2011, s. 25lf).

Um die bestehende Marktmacht beizubehalten, befindet sich Google in einem ständigen Prozess der Modifikation, Stillstand kommt einem Rückschritt gleich. Das Rennen um die Vorreiterposi­tion und die neuesten Technologien in der Informatik geht bereits in die nächste Runde, das Stich­wort der nächsten Jahre lautet künstliche Intelligenz (AI). Maschinen lernfähig zu gestalten und Intelligenz zu automatisieren, um Sie für alle nutzbar zu machen, ist die Vision an der die Google Entwickler derzeit arbeiten (Google AI, 2018).

Um auf diesem Weg voranzuschreiten, entwickelte Google bereits 2012 eine Wissensdatenbank, die dem Gehirn des Menschen ähnlich wirken soll. Der Google Knowledge Graph ist das Funda­ment für lernfähige Technologien und sorgt für markante Veränderungen in der Google-Suche. Daten werden nun nicht mehr nach einer Rangfolge gestaffelt, sondern netzwerkartig, in Form von Graphen sortiert. Die Suchmaschine soll durch diese Methode Inhalte vernetzen, verstehen und interpretieren, um direkt eine relevante und qualitativ wertvolle Antwort geben zu können (Hintz, 2013).

Google hat es geschafft, diese intelligente Art der Suche für den Massenmarkt zu etablieren und entwickelt den Knowledge Graph und seine Ausprägungen stetig weiter. Die Suchmaschine wan­delt sich als Folge dessen zur Antwortmaschine, die Informationen bündelt und direkt anbietet.

Während Nutzer von einfachen Antworten profitieren, stehen aus Sicht der Webseitenbetreiber die direkten Antwortformate zwischen dem eigenen Intemetauftritt und den Nutzem (Alpar, Koczy & Metzen, 2015a, s. 483f).

1.1 Problemstellung

Der Google Knowledge Graph ist noch nicht allen Unternehmen ein Begriff, ferner liegen dessen Tragweite, Arbeitsweise und Nutzen für einige noch im Unklaren. Die signifikanten Verändemn- gen der Ergebnisseite, die das System hervorruft, haben sowohl Auswirkungen auf das Nutzer­verhalten als auch auf das Online-Marketing von Unternehmen. Diese technologischen Verände- mngen zu verfolgen, zu verstehen und für das Unternehmen einzusetzen ist eine essenzielle Auf­gabe des Marketings (Alpar et ak, 2015a, s. 417ff).

Die Antwortformate des Google Knowledge Graph schaffen eine Plattform für Unternehmen, die durch diese im Wettbewerb um den Kunden herausstechen können. Seit dem Jahr 2015 gibt es neue Möglichkeiten für Eventveranstalter und Ticketportale, ihre Produkte in einem direkten Ant­wortformat auf der Google-Ergebnisseite zu platzieren, um so die Aufmerksamkeit potentieller Kunden zu erregen (Boyan, 2014). Diese Veränderungen haben eine Steigemng der Komplexität innerhalb des Online-Marketings zur Folge (Amerland, 2014, s. 44ff), die nach einer Bewertung von nötigen Marketingmaßnahmen verlangt. Für Unternehmen im Eventbereich stellt sich die Frage, ob der nötige Aufwand, der mit der Nutzung des Google Knowledge Graph einhergeht, im Verhältnis zum resultierenden Mehrwert steht.

Die Aktualität des Themas ergibt sich zum einen aus den komplexen Möglichkeiten einer Event­anzeige (Boyan, 2015), zum anderen aus dem Defizit an deutschsprachigen und wissenschaftli­chen Beiträgen zum Themenbereich Events im Knowledge Graph.

1.2 Zielsetzung

Im Rahmen dieser Bachelorarbeit wird der strukturelle Wandel der Suche und dessen Fundament, der Google Knowledge Graph, untersucht. Seine Funktion für die Darstellung von Events wird erläutert und dargelegt, welches Potential sich aus der Nutzung des Graphen für das Online-Mar­keting von Events erschließen lässt. Letztlich soll die Arbeit eine Grundlage zur Bewertung der Marketingrelevanz des direkten Antwortformates liefern. Zukünftig zu erwartende Entwicklun­gen werden hierbei nicht außer Acht gelassen.

1.3 Methodik

Das methodische Vorgehen der vorliegenden Bachelorarbeit basiert auf einer vielseitigen Litera­turrecherche. Um den theoretischen Kontext zu erschließen, wurden relevante Veröffentlichun­gen recherchiert und bearbeitet. Fachbücher, Fachzeitschriften und Journals, aber auch Google selbst, stellt durch eigene Publikationen und Patente Grundlageninformationen bereit, die den theoretischen Rahmen der Arbeit liefern. Für die Ausrichtung auf das Online-Marketing von Events wurden Informationen von Marketingagenturen, praktisch orientierten Blogs sowie aktu­elle Google-Veröffentlichungen auf verschiedenen Kanälen, wie beispielsweise YouTube, einge­arbeitet. Ein Kriterienkatalog sowie eine überschlägige Kosten-Nutzen-Analyse liefern eine Ein­Schätzung der Marketingrelevanz des Google Knowledge Graph. Diese Bewertungen leiten sich zum einen aus Gmndlagen der Suchmaschinenoptimierung, zum anderen aus im Internet gesam­melten Erfahrungswerten ab.

1.4 Aufbau

Im Folgenden zweiten Kapitel werden zunächst Grundlagen und Entwicklungen der Google-Su­che und im Zuge dessen, der derzeitige Wandel, der sich im Internet vollzieht, beleuchtet. Be­griffsabgrenzungen, Definitionen und die Beschreibung des Status quo vermitteln Grundkennt­nisse, die für das Verständnis anschließender Ausführungen unabdingbar sind.

In Kapitel drei schwenkt der Fokus auf den Google Knowledge Graph, welcher das Fundament der Antwortmaschine darstellt. Anhand der Erläuterung von Datenquellen, Arbeitsweise und An­zeige kann ein grobes Verständnis für die Technologie entwickelt werden, bevor in Kapitel vier die Auswirkungen auf das Online-Marketing geschildert werden.

Das darauffolgende Kapitel fünf setzt das Antwortformat des Google Knowledge Graph als mög- liehen Kommunikationskanal für Eventveranstalter und Ticketportale in den Fokus. Nach einer Einweisung in die Charakteristiken der Eventbranche werden in den darauffolgenden Betrachtun­gen, Eigenschaften, Aufwand und Nutzen des Knowledge Graph hinsichtlich des Online-Marke­tings für Events betrachtet. Diese Bewertungen liefern Unternehmen einen theoretischen Ansatz bei der Entscheidungsfindung bezüglich der Implementierung des Graphen in die Marketingstra­tegie. Abschließend folgen ein Ausblick auf zukünftig zu erwartende Entwicklungen und Trends, sowie ein Fazit.

2 Die Suche im Wandel

2.1 Evolution der Google-Suche

״The perfect search engine would understand exactly what you mean and give you back exactly what you want” (Page, 2000) .

Die Visionen des Larry Page und seines Kollegen Sergey Brin führten im Jahr 1998 zur Gründung von Google Ine., das zuvor als Forschungsprojekt deklariert war. Die Notwendigkeit einer Such­maschine begründete sich damals aus der zunehmenden Informationsflut, die es erschwerte, die gesuchten Informationen herauszufiltem (Gomes, Meyer & Shingal, 2011). Seit diesem Zeitpunkt entwickelt sich der Suchdienst kontinuierlich weiter, mit dem fortlaufenden Ziel, den Informati­onsbedarf des Nutzers möglichst schnell und präzise zu decken ( Gomes, Meyer & Shingal, 2011; Google, 2018a).

Page und Brin entwickelten einen Page-Rank-Algorithmus, mit dem es möglich war, Suchbegrif­fen bestimmte Ergebnisseiten zuzuordnen und in einer Ergebnisliste, auch Search Engine Result Page (SERP) genannt, anzuzeigen (Siepermann, 2018). Google hat über Jahre hinweg Suchan­fragen analysiert und die Ergebnisse mithilfe eines Indexes nach Relevanz geordnet. Diese Rele­vanz hängt von über 200 verschiedenen Faktoren ab. Infolge dessen kristallisierte sich für Google heraus, welche Informationen von Bedeutung für den Nutzer sind und welche nicht priorisiert angezeigt werden. Dem User wird dadurch eine Übersicht zu den signifikanten Webseiten in Zu­sammenhang mit dem Suchbegriff geliefert (Google, 2018b).

Im Jahr 2000 wurde mit Google AdWords ein Meilenstein gesetzt. Passenden Werbeanzeigen zum Suchergebnis wurde dieselbe Bedeutung beigemessen als dem Suchergebnis selbst. Von Beginn an mussten Werbeanzeigen auch als diese gekennzeichnet und für den Nutzer vom organischen, nicht kostenpflichtigen, Suchergebnis zu unterscheiden sein. Die Gestaltung, Platzierung und An­zahl der Anzeigen unterzieht sich seit der Einführung einem ständigen Wandel (Gomes et ah, 2011).

In den Jahren 2001 bis 2007 entwickelte sich Google von der einfachen Suche hin zu einer uni- verseilen Suchmaschine für sämtliche Online-Inhalte. Die Websuche wurde um vertikale Ni­schensuchen erweitert. Diese kennzeichnen sich dadurch, dass sie sich auf einzelne Suchbereiche fokussieren. Dementsprechend integriert Universal Search, wie in Abbildung 1 dargestellt, die Elemente Maps, News, Videos, Bilder, Shopping, Flüge, Finanzen und Bücher. Lässt diese inner­halb einer vertikalen Suchmaschine verschmelzen und grenzt so die Suche auf bestimmte The­men- oder Anwendungsgebiete ein (Alpar et al., 2015a, s. 43Off).

Abbildung 1: Vertikale Suchoptionen bei Google

Abbildung in dieser leseprobe nicht enthalten

(Google-Suche, 2018b)

Im Jahr 2010 wurde die Wartezeit auf Suchergebnisse durch Google Instant stark verkürzt. Un­mittelbar beim Eintippen der ersten Buchstaben des Suchbegriffs werden erste Ergebnisse ange­zeigt. Ein Algorithmus ermittelt den wahrscheinlich gesuchten Begriff anhand eines Lösungs­schemas, jeder weitere Buchstabe korrigiert und konkretisiert dieses Ergebnis (Google, 2018d).

2.2 Semantische Wende

In den folgenden Jahren stand bei fast allen Suchmaschinenanbietem die Entwicklung hin zur sogenannten semantischen Suche im Fokus. Bei Google markierte der Kauf der semantischen Wissensdatenbank Freebase im Jahr 2010 einen Wendepunkt (Kopp, 2017). Ähnlich wie bei Wi­kipedia konnte auch hier jeder Nutzer zum Autor werden und Einträge generieren. Es ging jedoch nicht um lexikografische Inhalte, sondem um die Verknüpfung zwischen verschiedenen Objek­ten. Dies war ein entscheidender Schritt hin zur semantischen Suche und zum semantischen Web (Bollacker, Evans, Paritosh, Sturge & Taylor, 2008).

Um das semantische Web und die semantische Suche zu verstehen, muss zunächst der Begriff der Semantik definiert werden. Die Wissenschaft der Semantik bezeichnet die Lehre der Bedeutung und wird heutzutage den Sprachwissenschaften zugeordnet. Der Mensch interpretiert durch sein semantisches Gedächtnis Zusammenhänge im kulturellen oder situationsbedingten Kontext. In der Informatik werden strukturierte Daten verwendet, die Informationen über Wörter, Textbau­steine oder Sätze beschreiben (Dengei, 2012, s. 213ff).

2.2.1 Begriffsabgrenzung semantisches Web und semantische Suche

Im Jahre 2001 erschien ein damals revolutionärer Artikel in der Zeitschrift Scientific American. Dieser Artikel beschreibt zum ersten Mal die Idee des semantischen Webs: ‘The Semantic Web is not a separate Web but an extension of the current one, in which information is given well- defined meaning, better enabling computers and people to work in cooperation'’ (Berners-Lee, Hendler & Lassila, 2001, s. 35).

Sind Daten vom Menschen in einer Form aufbereitet, die von Computern ausgelesen und inter­pretiert werden kann, ist die Rede vom semantischen Web. Diese neue Art der Strukturierung leitet die dritte Generation des Webs ein und soll im Vergleich zur ersten und zweiten Generation nicht nur Daten übertragen, sondem auch Bedeutungen und Zusammenhänge aufzeigen (Toch­termann & Maurer, 2006, s. Iff).

In der Informatik sind semantisches Web und semantische Suche zwar symbiotisch miteinander verbunden, müssen aber eindeutig voneinander unterschieden werden. Die semantische Suche ist ein essenzieller Teil des semantischen Webs. Die Suchmaschine erkennt die mögliche Bedeutung der Suchanfrage und ordnet diese in ein Schema ein. Ein signifikantes Merkmal eines semanti- sehen Suchdienstes ist die Möglichkeit der Sucheingabe durch natürliche Sprache. Das erklärte Ziel ist es, anstatt einer Website oder eines Dokumentes eine einzelne Aussage als Antwort zu liefern (Dengei, 2012, s. 23Iff).

Die semantische Suchmaschine versteht mithilfe eines Knowledge Graphen sowohl die Suchan­frage als auch die Inhalte, die durchsucht werden. Die Vorteile entstehen zum einen durch zielge­richtete Recherche, zum anderen wird die Auswertung der Relevanz der Suchergebnisse erleich- tett (Dengei, 2012, s. 245ff). Zum Vergleich, bei der klassischen Suche werden Schlüsselwörter eingegeben, welche die jeweilige Suchmaschine in Webseiten und Dokumenten sucht. Angezeigt werden nur die Ergebnisse, die diese Schlüsselwörter vermehrt enthalten (Kamps & Schetter, 2018, s. 23).

Ivan Herman beschreibt die Kemfunktion der semantischen Suche als die Nutzung strukturierter und verlinkter Daten, die wie eine Art Content Management System (Inhaltsverwaltungssystem) für das Internet fungieren. Innerhalb dessen treten die Webseitenbetreiber als Redakteure auf. Technische Standards der semantischen Suche sind das Prinzip der Uniform Resource Identifier (URI), Resource Description Frameworks (RDFs) und Ontologien (Herman, 2010, s. 10). Diese werden im Folgenden erläutert.

2.2.2 Elemente der semantischen Suche

Die semantische Suche kann in drei ineinandergreifende Elemente aufgeteilt werden. Zunächst wird ein Datenmodell benötigt, das Informationen in simple und flexible Teile zerlegen kann, jedoch fähig ist, jeden Fakt auszudrücken. Die elementaren Bausteine, aus denen eine solches Modell besteht, werden Triplei־ genannt. Diese werden wiederum aus einem Subjekt, einem Prä­dikat und einem Objekt gebildet (Yu, 2014, s. 29).

Subjekte und Objekte werden Knoten, Prädikate werden Kanten gleichgesetzt (Klyne, Caroli & Mcbride, 2014), diese können zusätzlich mit einem Wert versehen werden, der die Verknüpfung beschreibt. Das beschriebene System zur Darstellung der Dinge wird RDF genannt (Braslavski et ah, 2016, s. 26). Ein Subjekt, das existiert, wird im semantischen Zusammenhang als Entität be­zeichnet. Es gibt eine Vielzahl von Entitätstypen, wie beispielsweise Personen, Unternehmen, Tiere, Bauwerke, Städte, Orte oder Events, die wiederum eine Vielzahl von Verknüpfungen auf­weisen (Kopp, 2017). Im aufgeführten Beispiel, siehe Abbildung 2, ist der Knoten ״Helene Fi­scher", dessen Verknüpfung zu ihrem Lied ״Atemlos" mit dem Wert ״singt" versehen ist.

Jedoch ist allein mithilfe eines solchen Datenmodells, das aus gesammelten Triples besteht, noch kein semantisches Suchergebnis zu erzielen. Während Lebewesen Entitäten anhand ihrer Eigen­schaften erkennen, werden sie in der Welt der Maschinen durch einen URI bestimmt (Kopp, 2017). In der Informatik ist der Identifier eine universell formulierte Zahlenreihe um Maschinen die Identifikation der Quelle zu ermöglichen. Die häufigste Unterart der URI sind die Uniform Resource Locator (URL), die im allgemeinen Sprachgebrauch auch als Internetadresse oder We­badresse bezeichnet werden (Yu, 2014, s. 31f).

Abbildung in dieser leseprobe nicht enthalten

Alle Entitäten sind Teil einer Ontologie, welche das Umfeld beschreibt, in dem die Entitäten ver­ankert sind (Kopp, 2017). Ontologien sind die Antwort auf die Frage, wie es Menschen möglich ist, mit Maschinen zu kommunizieren und ihnen Sinn und Bedeutung zu vermitteln. Es werden Bezeichnungen und Begriffe vereinbart, um Wissenseinheiten wie Medizin, Bildung oder Musik zu beschreiben. Diese Begriffe werden innerhalb der Ontologie in Relation gesetzt und in eine hierarchische Struktur eingeordnet. Die Relationen zwischen Entitäten werden durch Attribute, auch Properties genannt, beschrieben und lassen so weitere Verknüpfungen entstehen (Yu, 2014, s. 151). Vereinfacht wird eine Ontologie auch als ״Wörterbuch" bezeichnet, das es Suchmaschi­nen ermöglicht, Schlussfolgerungen zu ziehen (Pellegrini & Blumauer, 2006, s. 12f).

Da das RDF-Datenmodell eine flexible, netzartige Struktur besitzt, können Ontologien jederzeit erweitert oder ausgebessert werden. Dies vereinfacht die Verwaltung großer Datenmengen in ei­nem sich ständig wandelnden Umfeld. Aus diesem Grund wir ein solches Wissensmodell in den Fachbereich der künstlichen Intelligenz eingeordnet (Pellegrini & Blumauer, 2006, s. 15).

Es lässt sich herauslesen, dass ein semantisches Suchergebnis nur generiert werden kann, wenn drei Elemente in einer Wissensdatenbank vertreten sind. Ein URI, um die Quelle der Entität zu beschreiben, ein RDF, das es ermöglicht Daten strukturiert zu vernetzen und eine Ontologie, die den Rahmen zur Interpretation liefert (Amerland, 2014, s. 29).

2.2.3 Knowledge Graph - Definitionen und Beispiele

Seit dem Jahr 2012 steht die Knowledge Graph Technologie im Fokus der Forschung, was in eine Vielzahl an Beschreibungen und Definitionen mündete, die keinen einheitlichen Kem beinhalten. Eine Tatsache, die auch Paulheim im Jahr 2016 erkannte. In seiner Untersuchung zum Thema knowledge graph refinement listete er die wesentlichen Charakteristiken auf, die einen Know­ledge Graph von einer anderen Datenansammlung unterscheiden (Paulheim, 2016, s. 490f).

A knowledge graph (i) mainly describes real world entities and their interrelations, orga­nized in a graph, (ii) defines possible classes and relations of entities in a schema, (iii) allows for potentially interrelating arbitrary entities with each other and (iv) covers vari­ous topical domains (Paulheim, 2016, s. 490f).

Der formale Ansatz von Färber et al. definiert einen Knowledge Graph als RDF-Datenmodell. Des Weiteren vertritt er die Auffassung, dass der Begriff Knowledge Graph von Google einge­führt wurde, um jegliche Art von Wissensdatenbank, die eine Graphenstruktur aufweist, zu be­schreiben (Färber, Eil, Menne, Rettinger & Bartscherer, 2016, s. lf).

We define a Knowledge Graph as an RDF graph. An RDF graph consists of a set of RDF triples where each RDF triple (s, p, o) is an ordered set of the following RDF terms: a subject s e U U B, a predicate p e u, and an object u u B u L (Färber et ak, 2016, s. 1).

In Blogs und Journals gibt es oftmals sehr allgemein gehaltene Definitionen eines Knowledge Graphen, die auch auf eine Ontologie zutreffen könnten. So auch im Journal of Web semantics (Kroetsch & Weikum, 2015): ״Knowledge graphs are large networks of entities, their semantic types, properties, and relationships between entities'’ (Kroetsch & Weikum, 2015).

Um eine Definition in deutscher Sprache zu liefern, bedient sich die Autorin der aufgeführten Beispiele: Ein Knowledge Graph ist eine Wissensdatenbank, die aus RDF Triples besteht (Färber et ak, 2016, s. 1). Diese Triples ordnen Entitäten in ein Schema ein, das eine Graphenstruktur aufweist und von einer Ontologie umrahmt wird. Der Graphenstruktur ist es geschuldet, dass sich

Verknüpfungen und Beziehungen zwischen Entitäten erschließen lassen und führt zu einem grö­ßeren Verständnis von Suchanfrage und Ergebnis. In Konsequenz wird die Grundlage für die semantische Suche geschaffen (Paulheim, 2016, s. 490f).

Der Grund für die Fülle an Definitionen liegt in der Varianz der Knowledge Graphen, die sich momentan auf dem Markt befinden. Es gibt sowohl öffentliche als auch private Varianten, die sich anhand ihrer Art und Komplexität unterscheiden, siehe Tabelle 1. Die Tabelle gibt Auf­Schluss über die gängigen Knowledge Graphen, deren Anzahl an Entitäten, Fakten, beschriebenen Wissenseinheiten und Relationen innerhalb dieser Wissenseinheiten (Paulheim, 2016, s. 495f).

Tabelle 1: Übersicht über das Ausmaß der gängigen Knowledge Graphen

Abbildung in dieser leseprobe nicht enthalten

Der Google Knowledge Graph, gefolgt vom Google Knowledge Vaiät sind die derzeit größten Knowledge Graphen auf dem Markt. Das Ausmaß der Datenbank unterstreicht die Dominanz und die Bedeutung Googles als semantische Suchmaschine (Paulheim, 2016, s. 495f).

2.2.4 Status quo der semantischen Suchdienste

Der Trend zur semantischen Suche ist bei allen großen Anbietern eines allgemeinen Suchdienstes zu erkennen. Googles größter Konkurrent, die Microsoft-Suchmaschine Bing, hat im Jahr 2008 Powerset aufgekauft. Powerset war ein Suchdienst, welcher basierend auf Wikipedia und der Da­tenbank Freebase, Ansätze der Semantik in Form von Sprachsteuerung entwickelte. Heute wer­den Nutzer der Powerset-Webseite direkt auf die Suchmaschine Bing weitergeleitet (Weisenthal, 2008). Im Jahr 2014 testete auch YAHOO! einen Knowledge Graph, der allerdings keine zufrie­densteilenden Ergebnisse lieferte und somit dem Google Knowledge Graph technisch unterlegen blieb (McGee, 2014).

Der Suchmaschinenmarkt in Deutschland wird deutlich mit 94,52 % von Google dominiert, wie Tabelle 2 deutlich zeigt (SEO-united, 2016). Daraus lässt sich ableiten, dass die semantische Su­che durch die Implementierung des Google Knowledge Graph zum ersten Mal für die breite Be­völkerung Deutschlands zugänglich wurde.

Tabelle 2: Marktanteile führender Suchmaschinen in Deutschland im Jahr 2016

Abbildung in dieser leseprobe nicht enthalten

(Eigene Darstellung in Anlehnung an SEO-united, 2016)

Tatsächlich sind es nicht die allgemeinen Suchmaschinen, die Vorreiter auf dem Gebiet der se­mantischen Suche sind. Suchmaschinen, die ihren Schwerpunkt auf einen spezifischen Themen­bereich gelegt haben, können in vielen Aspekten überzeugen. Unter ihnen ist auch der im Jahr 2009 erschienene Anbieter Wolfram Alpha zu finden. Die Antwortmaschine basiert auf der Soft­ware Mathematica und kann Antworten aus verfügbaren Informationen berechnen, anstatt auf eine Quelle zu verweisen. Ergebnisse werden in Grafiken oder Tabellen ausgewiesen (Cassel, 2016, s. 267f).

GoPubMed ist eine semantische Suchmaschine, die für biomedizinische Texte und Inhalte entwi- ekelt wurde. Mit dem Modell Gene Ontology!, das Teile des Vokabulars der Biowissenschaften vereinheitlicht, wurde die Datenbank MEDLINE gegliedert, um relevante Ergebnisse schneller zu generieren (Doms & Schroeder, 2005).

Kapitel zwei lieferte die Basis zum Verständnis der Knowledge Graph Technologie. Durch eine Betrachtung der Google-Evolution sowie der Grundlagen der semantischen Suche konnte eine Definition des Fachbegriffs Knowledge Graph formuliert werden. Eine Übersicht der aktuellen Marktsituation liefert die Erkenntnis, dass die enorme Größe und Reichweite der Datenbank eine detailliertere Betrachtung des Google Knowledge Graph im Hinblick auf das Online-Marketing rechtfertigt. Das anschließende Kapitel drei legt den Fokus nun auf Anzeigeformate, Datenquel­len und Funktionsweise der Technologie und deren Auswirkungen auf die Google SERP. Ebenso wird auf zukünftige Anwendungen verwiesen, die auf dem Google Knowledge Graph basieren.

[...]