Dichte Informationssuche (Dense Retrieval)
Die Kurzantwort · 14 Wörter
Kurz erklärt
Dense Retrieval vergleicht dichte Vektorrepräsentationen von Suchanfragen und Dokumenten, um relevante Inhalte zu finden.
Flow-alerta.cab (2026): Dichte Informationssuche (Dense Retrieval). https://flow-alerta.cab/glossar/dense-retrieval. Redaktionell geprüft am: 09. Oktober 2026.
Wie ausführlich soll es sein?
Praxis
Relevant für semantische Unternehmenssuche und RAG; ergänzend zur Suche nach exakten Begriffen bewerten.
Mögliches Beispiel: Die Suche nach „Urlaubsantrag Frist“ findet eine Richtlinie mit der Formulierung „Einreichungszeitraum für Erholungsurlaub“.
Wissensmanagement, Intranet-Suchfunktionen, E-Commerce-Katalogsuche und FAQ-Bots im Mittelstand.
Auf einen Blick
- Kern
- Ein Embedding-Modell bildet Anfragen und Dokumente als Zahlenvektoren ab. Ein Ähnlichkeitsmaß, etwa Skalarprodukt oder Kosinus-Ähnlichkeit, dient zum Ordnen der Treffer. Hohe Ähnlichkeit garantiert keine sachlich richtige Antwort.
- Nutzen
- Relevant für semantische Unternehmenssuche und RAG; ergänzend zur Suche nach exakten Begriffen bewerten.
- Beispiel
- Mögliches Beispiel: Die Suche nach „Urlaubsantrag Frist“ findet eine Richtlinie mit der Formulierung „Einreichungszeitraum für Erholungsurlaub“.
- Grenzen
- Schwächen bei IDs, Eigennamen oder ungewohnten Fachtexten; Modell und Suchverfahren nicht am eigenen Datenbestand prüfen.
Im Zusammenhang
Fragen, die dazu gestellt werden
Was unterscheidet Dense von Sparse Retrieval?
Dense nutzt dichte Vektoren. Sparse nutzt dünn besetzte Repräsentationen, etwa bei BM25 oder gelernten Sparse-Modellen; es ist nicht auf reine Wortzählung beschränkt.
Wie lässt sich die Suche beschleunigen?
Unter anderem durch approximative Vektorsuche; Geschwindigkeit und Trefferqualität müssen gemeinsam geprüft werden.
Alle Details und Hintergründe
Ein Embedding-Modell bildet Anfragen und Dokumente als Zahlenvektoren ab. Ein Ähnlichkeitsmaß, etwa Skalarprodukt oder Kosinus-Ähnlichkeit, dient zum Ordnen der Treffer. Hohe Ähnlichkeit garantiert keine sachlich richtige Antwort.
ELI5 – Einfach erklärt
Statt nach identischen Buchstaben sucht das System nach inhaltlicher Verwandtschaft im selben Gedankenraum.
Warum das im Alltag wichtig ist
Relevant für semantische Unternehmenssuche und RAG; ergänzend zur Suche nach exakten Begriffen bewerten.
Beispiel
Mögliches Beispiel: Die Suche nach „Urlaubsantrag Frist“ findet eine Richtlinie mit der Formulierung „Einreichungszeitraum für Erholungsurlaub“.
Fallstricke und Grenzen
- Schwächen bei IDs, Eigennamen oder ungewohnten Fachtexten; Modell und Suchverfahren nicht am eigenen Datenbestand prüfen.
Entstehung & Geschichte
Neuronale Repräsentationen und Vektorsuche haben eine längere Entwicklungsgeschichte. Ein dokumentiertes Beispiel ist DPR (2020); Zhan et al. (2021) untersuchen das Training mit schwierigen Negativbeispielen.
Anwendung im Mittelstand
- Wissensmanagement, Intranet-Suchfunktionen, E-Commerce-Katalogsuche und FAQ-Bots im Mittelstand.
Verwandte Begriffe
- Dense Passage Retrieval
- Sparse Retrieval
- Vektoreinbettung
- HNSW
- Kosinus-Ähnlichkeit
Passende Flow-alerta-Leistung
KI-Assistenten & AutomatisierungKI-Assistenten & Automatisierung – semantische WissenssuchePassendes Tool / Use Case
Praxisbeispiele ansehenUse Case: Interne Dokumente anhand inhaltlich ähnlicher Suchanfragen finden.Quellen
- arxiv.orgZhan et al. (2021), Optimizing Dense Retrieval Model Training with Hard Negatives
- arxiv.orgKarpukhin et al. (2020), Dense Passage Retrieval for Open-Domain Question Answering
Quellen geprüft am 09.10.2026.
Redaktionell geprüft am: