Leest een AI-zoekmachine je artikel over Apple Inc., dan verwerkt hij niet alleen de woorden. Hij herkent dingen uit de echte wereld: mensen, bedrijven, producten, locaties, begrippen. Elk daarvan is een entiteit. De AI bouwt daarna een kaart die laat zien hoe die entiteiten zich tot elkaar verhouden. Maar hier zit het probleem. Het woord "Apple" komt in duizenden artikelen voor. Bedoelt het Apple Inc.? Het fruit? Het platenlabel Apple Records? Herkent de AI verkeerd over welke Apple je artikel gaat, dan wordt je content in de kennisgraaf onder de verkeerde entiteit gezet. Je schrijft over een technologiebedrijf maar belandt bij de kennisgraaf van het fruit.
Entiteitsherkenning en entity linking is hoe AI bepaalt over welke dingen je het hebt en hoe ze met elkaar samenhangen. Doe je het goed, dan wordt je content onderdeel van de juiste kenniskaart. Doe je het fout, dan stort je zichtbaarheid in zonder dat je ooit weet waarom.
Wat AI echt doet als hij je content leest
Named entity recognition, of NER, is het proces waarin AI tekst scant en herkent welke woorden naar dingen uit de echte wereld verwijzen. Een woord na "Dr." is waarschijnlijk een persoon. Een woord gevolgd door "Inc." is waarschijnlijk een bedrijf. Een hoofdletter aan het begin van een zin kan een locatie of een persoon zijn. NER-systemen leren miljoenen patronen.
Maar vermeldingen van entiteiten vinden is pas stap één. Vindt de AI het woord "Apple", dan heeft hij geen idee welke Apple dat is. Daar komt entity disambiguation om de hoek kijken. Nadat NER een vermelding van een entiteit heeft gemarkeerd, moet de AI uitzoeken naar welke specifieke entiteit ze verwijst.
Staat er in het artikel "Apple bracht de iPhone uit", dan is de context duidelijk. Technologiebedrijf. Maar staat er "Appel is een fruit" of "Ik kocht appels in de winkel", dan betekent hetzelfde woord iets totaal anders. Zonder begrip van de context faalt entiteitsherkenning en wordt content verkeerd ingedeeld.
Als AI de entiteit verkeerd heeft (en waarom dat gebeurt)
Entity disambiguation gebruikt aanwijzingen uit de context. Noemt een artikel "Apple", "iPhone", "Tim Cook" en "Cupertino", dan vormen deze begeleidende entiteiten samen een cluster dat naar Apple Inc. wijst. De AI herkent het patroon. Maar noemt het artikel alleen terloops "Apple" zonder omringende context, dan moet de AI gokken.
Dit is een echt scenario. Een artikel bespreekt "De beurswaarde van Apple is hoger dan die van Microsoft. Apple nam vorig jaar Beats Electronics over. Maar appelsap wint ook marktaandeel." Hetzelfde woord op drie manieren gebruikt. Scheidt het artikel de vermeldingen van het technologiebedrijf niet duidelijk van de vermelding van het fruit, dan haalt de AI ze misschien door elkaar. Het hele artikel kan dan worden ingedeeld als algemeen "appel" in plaats van "Apple Inc." Zoekt iemand nu naar overnames van Apple of de aandelen van Apple, dan verschijnt dit artikel niet. Het zit helemaal in de verkeerde kennisgraaf.
De AI kijkt naar omringende woorden, verwante entiteiten en links om te disambigueren. Linkt een artikel naar apple.com terwijl het over "Apple" gaat, dan is die link een sterk signaal richting Apple Inc. Maar zijn er geen links, geen verwante entiteiten en een vage context, dan moet de AI zijn beste gok doen. Daar gaat zichtbaarheid verloren.
Hoe je links duidelijke signalen geven over welke entiteit je bespreekt
Links zijn een van de sterkste signalen voor disambiguatie. Linkt een artikel naar apple.com terwijl het over Apple gaat, dan zegt het tegen de AI "deze 'Apple' verwijst naar die entiteit." Linkt het naar de Wikipedia-pagina van Tim Cook, dan legt het een verband. Links zijn wijzers die zeggen "dit specifieke ding, geen ander."
Artikelen die nooit naar Apple-gerelateerde pagina's linken, dwingen de AI alleen op context te vertrouwen. De AI heeft minder informatie om mee te werken. Maar artikelen die intern linken naar verwante content en extern naar pagina's van specifieke entiteiten, sturen duidelijke signalen voor disambiguatie. De kennisgraaf wordt dan goed opgebouwd.
Deze gelaagdheid van signalen doet ertoe. Eén vermelding van "Apple" zonder links is dubbelzinnig. Dezelfde vermelding plus links plus verwante entiteiten plus een consistente context over meerdere alinea's wordt ondubbelzinnig. AI bouwt sterkere verbanden als signalen elkaar versterken.
Kennisgrafen bouwen door relaties tussen entiteiten vast te leggen
Heeft AI eenmaal vastgesteld welke entiteiten een artikel bespreekt, dan begint hij een kennisgraaf te bouwen. De graaf slaat entiteiten (knooppunten) en relaties ertussen (lijnen) op.
Een artikel dat zegt "Apple Inc. is opgericht door Steve Jobs" maakt een relatie. Oprichter van Apple Inc.: Steve Jobs. Een andere vermelding, "Apple nam Beats Electronics over", maakt een andere relatie. Overnames van Apple Inc.: Beats. Een vermelding als "Apple concurreert met Microsoft" maakt er weer een. Concurrenten van Apple Inc.: Microsoft.
Elke zin die entiteiten noemt, voegt een verbinding aan de graaf toe. Een artikel met tien specifieke relaties tussen entiteiten leert de AI veel meer dan een artikel met één vage vermelding. Een website met vijf artikelen over Apple Inc., elk over andere relaties (oprichters, overnames, producten, concurrenten, bestuurders), bouwt een veel rijkere entiteitenkaart dan een website met één artikel dat Apple één keer noemt.
AI-systemen herkennen dit verschil. Bronnen die meerdere relaties tussen entiteiten leggen, ogen gezaghebbender. Stelt iemand een AI een vraag over het ecosysteem van Apple, dan stelt het systeem vast welke bronnen de rijkste entiteitenkaarten hebben. De bron die Apple verbindt met oprichters, overnames, concurrenten en marktpositie wordt aangehaald. De bron die alleen zegt "Apple bracht een product uit" niet.
Hoe contentstructuur bepaalt of het halen van entiteiten werkt
Entiteitsherkenning werkt beter als content duidelijk is gestructureerd. Gebruik bij de eerste vermelding de volledige naam van de entiteit. "Apple Inc." werkt beter dan alleen "Apple." "Tim Cook, CEO van Apple Inc." werkt beter dan alleen "Tim kondigde aan."
Herhaling versterkt de prominentie van een entiteit. Een entiteit die één keer diep in een artikel wordt genoemd, krijgt minder gewicht dan een entiteit die drie of vier keer consequent door het hele artikel wordt genoemd. Noemt een artikel "Apple Inc." vijf keer in verschillende secties, dan herkent de AI het als centraal in het stuk. Eén terloopse vermelding leest als een zijopmerking.
Secties helpen bij het groeperen van entiteiten. Staan alle vermeldingen van Apple samen in een sectie over technologiebedrijven, dan groepeert de AI ze inhoudelijk. Vermeldingen die willekeurig verspreid staan in een artikel over niet-gerelateerde onderwerpen, verwateren het halen van entiteiten. Een nette structuur laat de AI zien hoe entiteiten samenhangen.
Lijsten maken het halen van entiteiten duidelijk. "Vijf grote overnames in tech: Microsoft nam LinkedIn over, Apple nam Beats over, Google nam YouTube over" zet entiteiten en hun relaties expliciet in het licht. Dezelfde feiten verstopt in alinea's maken het halen moeilijker.
Hoe entiteiten en embeddings in het begrip van AI op elkaar liggen
Entiteitsherkenning werkt niet alleen. Zoals uitgelegd bij hoe vector embeddings bepalen welke content past, zet AI content om in wiskundige weergaven van betekenis. Entiteiten liggen bovenop die laag.
Vector embeddings leggen het algemene semantische onderwerp vast. Entiteitsherkenning legt specifieke dingen uit de echte wereld vast. Samen geven ze een compleet begrip. Een artikel over "de geschiedenis van het bedrijf Apple" heeft beide nodig. De embeddings vinden content die semantisch verwant is aan Apple en bedrijfsgeschiedenis. Entiteitsherkenning bepaalt welke content expliciet "Apple Inc." als entiteit heeft. Content die beide filters doorstaat, rankt hoger.
Vaag schrijven over technologiebedrijven waarbij "Apple" terloops valt, presteert slechter dan precies schrijven dat Apple Inc. grondig als specifieke entiteit bespreekt. AI beloont precisie.
Waarom de RAG-pipeline afhangt van sterke entiteitenkaarten
De RAG-pipeline, uitgelegd bij hoe de RAG-pipeline werkt, haalt content op en genereert antwoorden. Entiteitenkaarten maken het ophalen krachtig. Zonder begrip van entiteiten kan AI alleen zoeken op zoekwoorden. Met entiteitenkaarten zoekt hij op relaties.
Iemand vraagt "Wie richtte de bedrijven op waar Steve Jobs voor werkte." Zonder entiteitenkaarten zoekt AI gewoon op "Steve Jobs." Met entiteitenkaarten weet hij dat Steve Jobs als oprichter verbonden is met Apple Inc., NeXT en Pixar. De entiteitengraaf vindt direct alle relevante content. Daarom vergroten uitgebreide entiteitenkaarten de kans op vermeldingen. Content wordt vindbaar via relatievragen, niet alleen via zoekwoorden.
Entiteitenkaarten houden ook feiten consistent. Zegt de ene bron "Apple opgericht in 1975" en de andere "1976", dan houdt de entiteitenkaart de grondwaarheid bij en markeert ze tegenstrijdigheden. Content die aansluit bij de opgeslagen feiten van de entiteitenkaart wordt als gezaghebbend behandeld. Tegenstrijdigheden worden gemarkeerd.
Het getal dat AI-vermeldingen voorspelt
Onderzoek naar GEO-rankingfactoren laat zien dat content met 15 of meer verschillende entiteiten 4,8 keer meer kans heeft op een AI-vermelding dan content met minder entiteiten. Waarom? Content die veel entiteiten noemt, leert de AI meer over hoe dingen samenhangen. Een blogbericht dat 30 verschillende merken, bestuurders, producten en begrippen in een branche noemt, is veel nuttiger voor het bouwen van een kennisgraaf dan een bericht dat één onderwerp bespreekt met minimale vermelding van entiteiten.
Dit betekent niet dat je vermeldingen van entiteiten moet forceren. Uitgebreid, inhoudelijk rijk schrijven bevat vanzelf veel entiteiten. Een artikel over webwinkelplatforms noemt vanzelf verschillende platforms, bedrijven en aanbieders. Het noemt specifieke bestuurders, functies en concurrenten. Schrijf je uitgebreid, dan komt de dichtheid aan entiteiten vanzelf op 15, 20 of 25 en meer. Dat laat de AI diepgang zien.
De praktische checklist voor duidelijke entiteiten
Gebruik bij de eerste vermelding volledige namen. "Apple Inc., het technologiebedrijf" wint van "Apple." Gebruik context die entiteiten verduidelijkt. Noem je "Apple", voeg dan een zinsdeel toe dat duidelijk maakt welke bedoeld is. Link naar pagina's van entiteiten. Links vertellen de AI naar welke entiteit een artikel verwijst en leggen verbanden.
Groepeer verwante entiteiten. Bespreekt een artikel "Apple, Microsoft en Google", dan vertelt die groepering de AI dat dit vergelijkbare entiteiten zijn. Het legt het type relatie vast via nabijheid. Scheid verschillende contexten. Noem je appelsap los van Apple Inc., zet ze dan ver uit elkaar, zodat de AI ze niet door elkaar haalt. Gebruik lijsten om entiteiten te benadrukken. "Drie grote overnames in tech: Apple nam Beats over, Microsoft nam LinkedIn over, Google nam Motorola over" maakt het halen van entiteiten eenvoudig.
Hoe rijkdom aan entiteiten zich opstapelt met andere rankingsignalen
Rijkdom aan entiteiten rankt niet alleen. Ze stapelt op. Content met een hoge dichtheid aan entiteiten, sterke semantische samenhang (zie hoe semantisch zoeken verschilt van zoekwoorden matchen), een duidelijke structuur en E-E-A-T-signalen heeft meerdere redenen om door AI te worden aangehaald. Uitgebreide content heeft vanzelf een hoge dichtheid aan entiteiten. Goed onderzochte content bespreekt vanzelf veel entiteiten. Schrijf je met diepgang en autoriteit, dan volgt optimalisatie van entiteiten vanzelf.
Zo helpt WEMASY bij het bouwen van contentclusters rijk aan entiteiten
Met de websitebouwer van WEMASY structureer je content eenvoudig zo dat systemen voor entiteitsherkenning haar duidelijk kunnen halen. Duidelijke koppen, georganiseerde secties en logische navigatie helpen allemaal bij de presentatie. Bouw je contentclusters rond onderwerpen, dan bouwt elk cluster rijkere entiteitenkaarten. Verwante artikelen over dezelfde entiteiten geven meerdere aanknopingspunten. Een artikel over Apple noemt Apple, een artikel over Microsoft noemt Apple als concurrent, een artikel over Steve Jobs noemt Apple als zijn oprichting. Deze drie artikelen samen bouwen een veel rijkere entiteitenkaart dan een enkel artikel. De structuur- en linktools van WEMASY maken het bouwen van zulke clusters eenvoudig. Bekijk wat er in elk abonnement van WEMASY zit.
Veelgestelde vragen
Schaadt het gebruik van afgekorte namen van entiteiten de zichtbaarheid?
Gebruik bij de eerste vermelding de volledige naam. "Apple Inc." en niet "AAPL." Volledige namen zijn cruciaal voor disambiguatie. Heb je een entiteit met de volledige naam geïntroduceerd, dan zijn afkortingen prima. De AI begrijpt de context. Die eerste duidelijke vermelding met de volledige, ondubbelzinnige naam is essentieel voor het halen van entiteiten. Met de websitebouwer van WEMASY zet je dit direct op je eigen website op.
Hoeveel entiteiten heeft een artikel nodig?
Data laat zien dat 15 of meer verschillende entiteiten samengaan met een hoger aantal vermeldingen. Een smal artikel over één bedrijf heeft terecht misschien 5-10 entiteiten. Een uitgebreide gids over een branche kan vanzelf 20 of meer entiteiten bereiken. Schrijf uitgebreid over het onderwerp. Het aantal entiteiten volgt uit grondige dekking.
Zijn externe links nodig voor disambiguatie van entiteiten?
Nee. Duidelijke aanwijzingen in de context zijn meestal genoeg. Maar externe links versterken disambiguatie aanzienlijk. Linken naar apple.com terwijl je het over Apple Inc. hebt, geeft een krachtig signaal over welke entiteit wordt besproken. Interne links naar verwante content helpen ook.
Wat gebeurt er als AI een entiteit verkeerd herkent?
Content wordt gekoppeld aan de verkeerde entiteit in de kennisgraaf. Een artikel over Apple Inc. wordt ingedeeld bij het fruit. Het wordt onzichtbaar voor mensen die zoeken naar Apple het bedrijf. Het verschijnt misschien juist bij zoekopdrachten over fruit. Context voor disambiguatie voorkomt dit.
Hoe weet je of een artikel genoeg entiteiten dekt?
Maak een lijst van elke aparte entiteit: mensen, bedrijven, producten, locaties, begrippen. Heeft de lijst voor een artikel van 1.500 woorden of meer minder dan 8-10 entiteiten, dan is de dekking waarschijnlijk oppervlakkig. Voeg vermeldingen toe van verwante mensen, organisaties, producten en begrippen. Bouw de verbanden.
Verbetert schema markup de herkenning van entiteiten?
Ja. Schema markup zoals Person, Organization en Place helpt AI te herkennen welke entiteiten worden besproken. Het geeft extra context. Weet de AI niet zeker of "Apple" het bedrijf of het fruit bedoelt, dan lost schema markup met Organization: Apple Inc. de onduidelijkheid direct op.