Definition
Relevanz-Tuning ist die Praxis, die Rangfolge von Suchergebnissen für reale Queries gezielt zu verbessern. Dazu gehören Feldgewichte, Boosts für vertrauenswürdige Quellen, Anpassungen von Analyzern/Synonymen und die Validierung per Offline-Urteilen und Online-Analytics.
Warum es wichtig ist
- Vertrauen: kleine Rankingfehler wirken in sensiblen Domänen groß.
- Konsistenz: weniger “zufällige” Treffer bei ähnlichen Queries.
- Impact: bessere Relevanz reduziert Suchfrust und Support.
- Sicherheit: autoritative Quellen können bevorzugt, riskante Matches reduziert werden.
Wie es funktioniert
Messen -> Hypothese -> Ranking anpassen -> Evaluieren -> Deploy -> MonitoringGutes Tuning startet mit klaren Metriken (time-to-result, Zufriedenheit, Task Success) und einem repräsentativen Query-Set.
Praktisches Beispiel
Wenn Nutzer bei “WIB92 Artikel 26” überwiegend den offiziellen Text anklicken, können Sie Seiten mit amtlichen Zitaten boosten und generische Kommentare für diese Intention abwerten.
Häufige Fragen
Q: Regeln oder Machine Learning zum Tuning?
A: Beides. Regeln sind transparent und schnell. ML kann komplexe Muster lernen, braucht aber Daten und strenge Evaluation.
Q: Wo findet man schnell Tuning-Potenzial?
A: In der Suchanalyse: Nulltreffer-Queries, viele Reformulierungen und geringe Klickzufriedenheit.
Verwandte Begriffe
- Volltextsuche - klassische Scoring-Signale
- Boolesche Suche - Filtern vor Ranking
- Semantische Erweiterung - Expansion beeinflusst Ranking
- Suchanalyse - Tuning-Effekt messen
- Suchintention - Ranking pro Intent optimieren
Referenzen
Manning, Raghavan & Schütze (2008), Introduction to Information Retrieval.
References
Manning, Raghavan & Schütze (2008), Introduction to Information Retrieval.