Ich trage einen häufigen Namen und der Skandal einer anderen Person schadet meinen Suchergebnissen. Was kann man dagegen tun?

Namensverwechslungen sind ein bekanntes Problem, und die Lösung ist technischer Natur. Dieser Prozess wird als Entitäts-Disambiguierung bezeichnet: Suchmaschinen und KI-Engines wird dabei verdeutlicht, dass es sich um zwei verschiedene Individuen handelt und nicht um dieselbe Person. Google und KI-Engines gehen nicht automatisch davon aus, dass eine Website, eine LinkedIn-Seite, ein Wikidata-Eintrag und ein Presseprofil ein und dieselbe Person beschreiben. Sie fassen verstreute Erwähnungen nur dann zu einer einzigen Identität zusammen, wenn die Signale dies ausdrücklich vorgeben. Das Ziel ist es, diese Signale für jede Person separat bereitzustellen.

Wie die Lösung Schritt für Schritt funktioniert

1. Einbindung eines separaten Person-Schemas auf den eigenen Webauftritten jeder Person. Ein Person-Schema-Markup mit eindeutigen Identifikatoren kann zwei Individuen für Suchmaschinen voneinander unterscheiden und verankert jede Identität mit ihrer eigenen Biografie-Website und ihren Profilen.
2. Herausarbeiten der Unterschiede durch strukturierte Daten. Schema-Markup und strukturierte Daten helfen Suchmaschinen und KI-Engines zu verstehen, welche Aussagen eine Seite trifft, und diese der richtigen Entität zuzuordnen. Dabei werden kontextbezogene Signale wie Branche, Standort, Position und verwandte Themen genutzt, um die beiden Personen voneinander zu unterscheiden.
3. Hinzufügen von sameAs-Links, die jede Entität auf ihre passenden Referenzen verweisen. Die Eigenschaft sameAs im Person-Schema verknüpft jede Person mit ihren eigenen maßgeblichen Profilen: LinkedIn, berufliche Biografien, Wikidata und Wikipedia (sofern relevant). Dies signalisiert den Engines, dass diese Profile zu der einen Identität gehören und nicht zu der anderen.
4. Aktualisierung von Wikidata, damit die Unterscheidung in den Knowledge Graph einfließt. KI-Engines nutzen Wikidata zur Entitäts-Disambiguierung über eindeutige Identifikatoren und sameAs-Links. Zudem können Knowledge Panel-Signale durch Wikidata-Eigenschaften beeinflusst werden. Ein sauberes, eigenständiges Wikidata-Objekt für jede Person überträgt die Disambiguierung somit in die Entitätsebene von Google.
5. Klärung der Unterscheidung in betroffenen Wikipedia-Artikeln (sofern zutreffend). Google und KI-Engines unterscheiden gleichnamige Entitäten mithilfe von Wikipedia-Begriffsklärungsseiten und separaten Artikeln. Wo Wikipedia eine Rolle spielt, helfen Bearbeitungsanfragen bei den entsprechenden Artikeln, die beiden Identitäten zu trennen. (Jegliche Arbeit an Wikipedia erfolgt als Bearbeitung mit offengelegtem Interessenkonflikt.)

Warum dieser Ansatz funktioniert

Die Ausgaben von KI-Modellen lassen sich nicht direkt bearbeiten; stattdessen formen Sie die Quellen, Entitätssignale, maßgeblichen Inhalte und strukturierten Daten, auf die diese Modelle zurückgreifen. Da sameAs-Links und das Person-Schema eine Disambiguierung etablieren, die von den Engines im Laufe der Zeit erlernt wird, trennen diese die beiden Identitäten nach und nach. Infolgedessen wird der Skandal der unbeteiligten Person nicht mehr mit Ihrem Namen in Verbindung gebracht.