Query Augmentation: Wie die Sucherweiterung moderne SEO-Strategien verändert

Suchmaschinen haben sich in den letzten Jahren weiterentwickelt. Weg von einfachen Schlagwortabgleichen hin zu einem tieferen Verständnis der Nutzerintention. Wer heute mit einer Webseite online sichtbar sein will, muss mehr bieten als Keywords. Es geht um Kontext, Bedeutung und Relevanz.

Eine Schlüsselrolle spielt dabei die sogenannte Query Augmentation, die Suchanfragen  erweitert, inhaltlich präzisiert und dadurch die Basis für moderne SEO-Strategien, Content-Architekturen und kontextgesteuerte Nutzerführung bildet.

Was bedeutet Query Augmentation?

Query Augmentation bezeichnet den computergestützten Vorgang, eine ursprüngliche Suchanfrage automatisch zu erweitern oder zu verfeinern, um die semantische Lücke zwischen Nutzerintention (Search Intent) und verfügbaren Informationsräumen zu überbrücken.

Dabei werden KI-gestützte Modelle und semantische Netzwerke genutzt, um die Anfrage mit kontextrelevanten Synonymen, verwandten Begriffen oder Ober- und Unterkategorien anzureichern.

Durch diese semantisch-linguistische Anreicherung wird eine rein lexikalische Suchstrategie überwunden und eine kontextuelle Bedeutungserschließung ermöglicht.

Suchmaschinen und Natural Language Processing (NLP)-Systeme nutzen Query Augmentation, um vage, unvollständige oder mehrdeutige Benutzereingaben präziser zu interpretieren und qualitativ relevantere Ergebnisse zu liefern.

Diese Technik ist besonders zentral in der Informationsretrieval-Theorie und eng verbunden mit Disziplinen wie Wissensrepräsentation, Ontologiemodellierung und maschinellem Verstehen.

Warum ist Query Augmentation bei SEO wichtig?

Query Augmentation ist für SEO deshalb essenziell, weil sie die Reichweite von Inhalten maximiert und dadurch eine zielgerichtete Sichtbarkeit in thematisch vielfältigen Suchanfragen ermöglicht.

Im Gegensatz zu rein keywordbasierten Strategien erlaubt Query Augmentation eine adaptive Optimierung entlang des tatsächlichen Nutzerintents, also der tiefen Intention hinter der Suchanfrage.

Suchmaschinen wie Google operieren zunehmend kontextsensitiv und interpretieren Begriffe nicht isoliert, sondern im Rahmen linguistischer Relationen, Synonymfelder und semantischer Vektoren. Query Augmentation nutzt dieses Prinzip, um Inhalte nicht nur auf das Hauptkeyword, sondern auch auf verwandte Phrasen wie „preiswerte Notebooks“ oder „Budget-Laptops kaufen“ zu übertragen.

Darüber hinaus fungiert das Prinzip der Query Augmentation als Grundpfeiler für moderne Content-Architekturen wie Topic Clusters, die durch Pillar- und Cluster-Seiten die thematische Autorität einer Webseite stärken.

In diesem Modell reflektiert Query Augmentation eine kognitive Annäherung an die Suchlogik der Nutzer, indem sie antizipierte Fragen wie etwa rechtliche Aspekte beim „Tiny House Grundstück“ inhaltlich integriert.

Diese Strategie steigert nicht nur die Relevanz, sondern positioniert die Webseite als holistische Wissensressource. Vor dem Hintergrund konversationeller Suchformate und KI-gesteuerter Interfaces wird Query Augmentation damit zu einem strategischen Pfeiler für zukunftsfähige SEO-Maßnahmen.

Verbessert Query Augmentation die Genauigkeit von Suchergebnissen?

Query Augmentation verbessert nachweislich die Genauigkeit von Suchergebnissen, indem sie linguistische Unschärfen überwindet und die Tiefe einer Nutzeranfrage präzise rekonstruiert.

Anstatt sich auf die bloße Wortoberfläche zu stützen, erkennt das System durch kontextbasierte Erweiterung Synonymfelder, thematische Assoziationen und implizite Nutzerabsichten.

Dies schließt die sogenannte Wortschatz-Kluft zwischen Nutzerformulierung und Dokumentensprache, etwa wenn „Auto reparieren“ systemseitig in „KFZ-Instandsetzung“ transformiert wird.

Durch disambiguierende Strategien kann zudem Mehrdeutigkeit, wie beim Begriff „Apple“, zuverlässig aufgelöst werden, indem vorherige Interaktionen oder standortbezogene Signale mit einbezogen werden.

Auch vage Anfragen wie „günstige Flüge“ werden automatisch durch Query Augmentation konkretisiert, um relevante Parameter wie Abflugsort und Reisezeitraum zu integrieren.

Besonders in KI-gesteuerten Retrieval-Systemen wie RAG dient Query Augmentation der gezielten Steuerung des Modells hin zu verlässlichen Quellen und minimiert somit das Risiko halluzinierter Antworten.

Spielt Query Augmentation eine Rolle bei der Optimierung von Content?

Query Augmentation spielt eine zentrale Rolle bei der Optimierung von Content, da sie die inhaltliche Tiefe, semantische Passgenauigkeit und Nutzerzentrierung signifikant verbessert.

Im Zentrum steht dabei nicht mehr das einzelne Keyword, sondern die holistische Behandlung thematischer Zusammenhänge entlang der tatsächlichen Suchintention. Content-Strategen, die diesen Mechanismus verstehen, entwickeln Inhalte, die sich nahtlos in die semantische Logik moderner Suchmaschinen wie Google einfügen.

Die folgenden Schritte veranschaulichen, wie Query Augmentation konkret in die Content-Optimierung eingebunden wird.

• Umstellung von Keyword-Fokus auf Themencluster
• Antizipation von Nutzerfragen entlang des Search Intents
• Nutzung natürlicher Sprache und semantischer Vielfalt
• Strukturierung durch Überschriften und inhaltliche Modularität

1. Umstellung von Keyword-Fokus auf Themencluster: Anstatt für jedes isolierte Keyword eine separate Seite zu erstellen, orientiert sich moderne Content-Optimierung an Themenclustern. Eine zentrale Pillar Page bildet dabei das semantische Fundament, das durch untergeordnete Inhalte (Cluster Content) ergänzt wird. Wer beispielsweise Inhalte zu „Tiny House bauen“ erstellt, integriert durch Query Augmentation automatisch verwandte Konzepte wie „Baugenehmigung Kleinhaus“, „autarkes Leben“, „Grundstücksregeln“ oder „Baukosten“, um Google eine umfassende thematische Abdeckung zu signalisieren.
2. Antizipation von Nutzerfragen entlang des Search Intents: Query Augmentation identifiziert implizite Folgefragen, die sich aus einer initialen Suchanfrage ergeben. Dieser Mechanismus lässt sich in der Content-Erstellung gezielt nutzen. Sucht ein Nutzer nach „Photovoltaik Förderung“, zielt seine Intention meist auf Antragsverfahren, regionale Fördermöglichkeiten oder wirtschaftliche Sinnhaftigkeit ab. Wer diese semantischen Anschlussfragen bereits im Haupttext integriert, steigert die Relevanz signifikant.
3. Nutzung natürlicher Sprache und semantischer Vielfalt: Anstelle künstlich aufgeblähter Keyworddichte fördert Query Augmentation einen organischen Sprachfluss, in dem relevante Synonyme, verwandte Begriffe und funktionale Umschreibungen natürlich eingebettet sind. Ein Artikel über „günstige Laptops“ profitiert beispielsweise von Begriffen wie „preiswert“, „Studentennotebook“, „Budget-Notebook“ oder „Angebote für Einsteiger“, was die semantische Deckung erhöht und Google ein facettenreiches Textverständnis ermöglicht.
4. Strukturierung durch Überschriften und inhaltliche Modularität: Eine klare, hierarchische Struktur mit sinnvoll gesetzten H1-, H2- und H3-Überschriften verbessert nicht nur die Leserführung, sondern auch die semantische Erfassbarkeit durch Suchalgorithmen. Jede Zwischenüberschrift kann dabei eine spezifische, durch Query Augmentation erweiterte Nutzerfrage adressieren. Diese modulare Textarchitektur unterstützt sowohl thematische Relevanz als auch algorithmische Indexierung.

Wie hilft Query Augmentation bei der Planung von SEO-Content?

Query Augmentation hilft bei der Planung von SEO-Content, indem sie als methodischer Kompass dient, um ausgehend von Nutzerintentionen eine thematisch strukturierte und semantisch angereicherte Content-Architektur zu entwickeln.

Anstatt isolierte Keywords zu verfolgen, versetzt sich der Planungsprozess in die semantische Perspektive moderner Suchsysteme, um Inhalte zu entwerfen, die Suchmaschinenlogik und Nutzererwartung zugleich bedienen. Die folgenden Schritte verdeutlichen, wie Query Augmentation den Planungsprozess systematisch leitet.

• Themenzentrierter Startpunkt anstelle eines Keywords
• Reverse Engineering potenzieller Sucherweiterungen
• Ableitung und Kategorisierung von Nutzerintentionen
• Entwicklung eines semantisch fundierten Content-Briefs
• Aufbau eines kohärenten Pillar-Cluster-Systems

1. Themenzentrierter Startpunkt anstelle eines Keywords: Die Planung beginnt mit der Formulierung eines Kernthemas, das als semantischer Anker fungiert. Statt „Energiespartipps“ isoliert zu betrachten, wird der Fokus auf das übergeordnete Thema „Energie sparen im Haushalt“ gelegt. Diese Verschiebung erlaubt eine tiefere, strukturierte inhaltliche Erschließung, die der Art entspricht, wie Suchmaschinen durch Query Augmentation semantische Felder aufspannen.
2. Reverse Engineering potenzieller Sucherweiterungen: Ein zentraler Schritt besteht darin, potenzielle Erweiterungen, Synonyme und Nutzerfragen zu antizipieren. Tools wie Googles „Nutzer fragen auch“-Box oder „Ähnliche Suchanfragen“ bieten hierfür wertvolle Impulse. Zum Thema Energie sparen gehören Begriffe wie „Stromverbrauch reduzieren“, „Heizkosten senken“ oder „Fördermöglichkeiten nutzen“. Diese kontextuellen Varianten erweitern die thematische Tiefe erheblich und machen den späteren Content robuster und auffindbarer.
3. Ableitung und Kategorisierung von Nutzerintentionen: Jede identifizierte Sucherweiterung wird hinsichtlich ihrer Intention analysiert. Informational Queries wie „Wie funktioniert eine Wärmepumpe?“ erfordern edukativen Content, während Transactional Queries wie „Energiespar-Thermostat kaufen“ produktbezogene Seiten nahelegen. Diese Intentionen strukturieren nicht nur den Content-Typ, sondern auch Tonalität und Zielsetzung der Inhalte.
4. Entwicklung eines semantisch fundierten Content-Briefs: Auf Basis der augmentierten Recherche entsteht kein simpler Keyword-Katalog, sondern eine mehrstufige Inhaltsstruktur. Die H1 benennt das Hauptthema („Energie sparen im Haushalt“), während H2-Überschriften Subthemen wie „Stromfresser erkennen“ oder „Förderprogramme 2025“ gliedern. H3-Strukturen vertiefen diese Bereiche durch spezifische Tipps, Fragestellungen und semantische Details, sodass ein kohärentes Textgerüst entsteht.
5. Aufbau eines kohärenten Pillar-Cluster-Systems: Bei umfassenden Themen kristallisiert sich durch die augmentierte Planung eine klare Content-Hierarchie heraus. Die Pillar Page bildet das Zentrum, in dem alle Subthemen kurz angerissen werden. Die vertiefenden Cluster-Inhalte, beispielsweise Artikel über „Warmwasser sparen in Altbauten“ oder „Wärmepumpen-Vergleich 2025“, verlinken zurück zur Hauptseite und stärken durch interne Verknüpfung die thematische Autorität und Relevanz im Ranking.

Ist Query Augmentation nützlich für Voice Search SEO?

Query Augmentation ist hochgradig nützlich für Voice Search SEO, da sie die Brücke zwischen natürlicher Sprache, Nutzerintention und algorithmischer Antwortstruktur bildet.

Die dialogische Beschaffenheit gesprochener Suchanfragen verlangt nach Inhalten, die sich syntaktisch, semantisch und kontextuell an gesprochene Sprache anlehnen.

Während getippte Suchanfragen oft fragmentarisch formuliert sind, zeichnen sich Voice-Search-Queries durch vollständige W-Fragen, Long-Tail-Phrasen und situative Bezüge aus. Query Augmentation ermöglicht es Suchmaschinen, diese Fragen zu interpretieren, indem sie verwandte Begriffe, Synonyme und strukturierte Kontexte automatisch ergänzen.

Inhalte, die entlang dieser Prinzipien erstellt werden, sind prädestiniert für die Ausspielung in sogenannten Featured Snippets, die bevorzugt als Antwortquelle für Sprachassistenten wie Google Assistant, Siri oder Alexa dienen.

Gleichzeitig unterstützt die Augmentation auch die Lokalisierung, etwa wenn ein Nutzer fragt: „Wo ist die nächste Apotheke in der Nähe?“ – die Anfrage wird mit Standortdaten angereichert und zielgerichtet auf lokale Suchintentionen abgestimmt.

Wie beeinflusst die Nutzerintention die Art der Query Augmentation im SEO?

Die Nutzerintention beeinflusst maßgeblich die Art der Query Augmentation im SEO, da sie bestimmt, welche semantischen Erweiterungen und Kontexte zur Präzisierung der Suchanfrage herangezogen werden.

Suchmaschinen wie Google modifizieren Anfragen nicht beliebig, sondern orientieren sich gezielt an der vermuteten Absicht des Users, um relevante, zweckgebundene Ergebnisse zu liefern. Diese Absicht – ob informierend, transaktional, vergleichend oder navigierend – bildet das Fundament für die algorithmische Auswahl ergänzender Begriffe, Synonyme und strukturierter Bedeutungsräume.

• Query Augmentation bei informationalem Search-Intent: Bei informationalem Intent wird die Suchanfrage durch erklärende Phrasen, W-Fragen und angrenzende Wissensdimensionen angereichert. So transformiert sich eine Eingabe wie „hoher Blutdruck“ in ein breites Themenfeld mit Erweiterungen wie „Symptome“, „Ursachen“ oder „Grenzwerte Tabelle 2025“. Content muss in diesem Fall umfassend, strukturiert und vertrauenswürdig sein – im Sinne der E-E-A-T-Kriterien.

• Query Augmentation bei transactionalem Search-Intent: Bei transactionalem Intent liegt der Fokus der Augmentation auf kommerziellen Ausdrücken, Produktspezifika und Handlungsbezug. Eine Suche nach „Laufschuhe Herren“ wird um Attribute wie „Größe 44“, „online kaufen“, „Adidas im Angebot“ oder geolokale Bezüge wie „in München“ erweitert. Inhalte in diesem Umfeld benötigen klare Conversion-Elemente wie Preisangaben, Filterfunktionen und visuelle Produktdarstellungen.
• Query Augmentation bei commercial investigative Search-Intent: Der commercial investigative Intent erzeugt eine Augmentierung entlang vergleichender und evaluierender Begriffe. Anfragen wie „beste Kaffeemaschine“ wandeln sich in spezifische Vergleichsketten mit Erweiterungen wie „Test 2025“, „mit Mahlwerk“, „unter 500 Euro“ oder „vs. Jura“. Der dazugehörige Content sollte durch fundierte Reviews, Tabellen und Entscheidungsleitfäden eine objektive Orientierung bieten.

• Query Augmentation bei navigationalen Search-Intent: Beim navigationalen Intent schließlich ist die Erweiterung minimalistisch, da der Nutzer eine konkrete Seite im Blick hat. Die Query Augmentation dient hier der Korrektur und Klärung, etwa durch Begriffe wie „offizielle Seite“ oder „Login“. Die SEO-relevante Aufgabe liegt dabei vor allem in der sauberen Markensignalisierung und technischen Auffindbarkeit.

Makrocontext und Mikrocontext bei Query Augmentation

Makrocontext und Mikrocontext beeinflussen die Funktionsweise der Query Augmentation entscheidend, da sie gemeinsam die Tiefenschärfe und situative Präzision einer Suchanfrage bestimmen.

Während der Mikrocontext den unmittelbaren Dialogfluss innerhalb einer aktiven Suchsitzung abbildet, liefert der Makrocontext übergeordnete, persistente Signale zur Nutzerumgebung, Interessenlage und zeitlich-räumlichen Einbettung. In Kombination ermöglichen diese beiden Kontextebenen eine dynamisch adaptierte Erweiterung der Suchanfrage, die weit über die rein lexikalische Ebene hinausgeht.

Mikrocontext

Der Mikrocontext wirkt wie ein kontextueller Zoom-in: Er berücksichtigt die chronologische Reihenfolge der Anfragen, die linguistische Struktur einzelner Begriffe, vorherige Klickverhalten und Folgefragen innerhalb einer Sitzung.

Eine zunächst allgemeine Eingabe wie „Restaurants“ kann sich über die nachfolgende Eingabe „italienisch“ zu einer präzisen Augmentierung wie „italienische Restaurants in München, die jetzt geöffnet haben“ verdichten.

Diese kontinuierliche Kontextverdichtung reflektiert einen adaptiven Suchdialog, den SEO-Inhalte durch strukturierte Seitenarchitektur, thematisch verwandte Verlinkungen und semantisch abgestufte Filteroptionen unterstützen sollten.

Makrocontext

Der Makrocontext liefert dagegen das Grundrauschen. Informationen wie Standort, Uhrzeit, Gerätetyp, langfristige Interessensprofile oder saisonale Ereignisse.

Gibt ein Nutzer im Juli aus Coburg das Stichwort „wandern“ ein, wird diese Anfrage durch Makrosignale wie „Frankenwald“, „Sommerwanderwege“ oder „regionale Routen“ ergänzt.

Für die SEO-Praxis bedeutet dies, dass Inhalte sowohl lokalisiert als auch zeitlich synchronisiert bereitgestellt werden müssen, etwa durch aktuelle Event-Tipps, saisonale Rezeptideen oder ortsbezogene Landingpages.

Praxisbeispiel von Query Augmentation

Ein praxisnahes Beispiel zeigt, wie Query Augmentation aus einem simplen Begriff eine kontextsensitive, nutzerzentrierte Sucherfahrung formt.

Im Zentrum steht dabei nicht das eingegebene Wort selbst, sondern die Art und Weise, wie Suchmaschinen auf Basis von Kontextinformationen und Weltwissen eine relevante, semantisch angereicherte Antwort generieren.

Die folgende Prozessskizze verdeutlicht die mehrstufige Wirkungsweise der Query Augmentation anhand einer realitätsnahen Alltagssuche.

• Ausgangssituation und ursprüngliche Anfrage
• Aktivierung des Makrocontexts
• Semantische Erweiterung durch Weltwissen
• Transformation in eine vollständige Suchintention
• Ergebnisdarstellung und Nutzerinterface
• Dynamische Verfeinerung durch Mikrocontext

1. Ausgangssituation und ursprüngliche Anfrage: Eine Person befindet sich am Donnerstagabend des 17. Juli 2025 um 17:15 Uhr in Bamberg, greift zum Smartphone und gibt spontan das Wort „Gasthof“ in die Google-Suche ein. Ohne Augmentation wäre dies eine kontextlose Anfrage mit unbrauchbaren Treffern. Doch durch die Anwendung mehrschichtiger Kontextfaktoren wird die Suchanfrage dynamisch präzisiert.
2. Aktivierung des Makrocontexts: Die Suchmaschine erkennt Standort, Tageszeit, Datum, Gerätekategorie und saisonale Rahmenbedingungen. Daraus ergibt sich eine augmentierte Anfrage wie: „Gasthöfe in Bamberg und Umgebung, die heute abends geöffnet haben, idealerweise mit sommerlichem Ambiente wie Biergarten.“ Der lokale Bezug zu Bayern sowie die Nutzung über ein Mobilgerät geben weitere Hinweise auf das Nutzerbedürfnis: schnell, erreichbar, sofort handlungsfähig.
3. Semantische Erweiterung durch Weltwissen: Auf Basis semantischer Ontologien versteht das System, dass „Gasthof“ mit Begriffen wie Restaurant, Gaststätte, fränkische Küche oder bürgerliche Wirtschaft assoziiert ist. Auch das regionale Essensprofil in Franken wird berücksichtigt. Dadurch öffnet sich die Suchraumdimension von einem generischen Begriff zu einer kulinarisch und kulturell angereicherten Suchintention.
4. Transformation in eine vollständige Suchintention: Die endgültig bearbeitete Anfrage lautet nicht mehr nur „Gasthof“, sondern implizit: „Zeige mir geöffnete Restaurants mit fränkischer Küche in Bamberg, die sich zum Abendessen im Sommer eignen, idealerweise mit Außenbereich. Die Ergebnisse sollen mobilfreundlich aufbereitet sein und direkt Routing sowie Anruf ermöglichen.“
5. Ergebnisdarstellung und Nutzerinterface: Das Suchergebnis besteht aus einem lokalen Kartenpaket mit Standorten, Öffnungszeiten, Bewertungen, Küchenbeschreibung sowie Buttons für Navigation und Direktanruf. Damit erfüllt die Suchmaschine nicht nur die sprachliche Anfrage, sondern auch die situative Handlungserwartung des Nutzers.
6. Dynamische Verfeinerung durch Mikrocontext: Nach Sichtung der Vorschläge spezifiziert der Nutzer seine Suche durch die Ergänzung „mit Biergarten“. Die Suchmaschine interpretiert diese Ergänzung nicht als neue Suche, sondern als verfeinernden Kontext zur ersten Intention. Das aktualisierte Ergebnis zeigt nur noch Orte an, die über einen Biergarten verfügen – in voller semantischer Kontinuität zur Ausgangsanfrage.

Wie unterscheiden sich Query Augmentation und Content Gap Analysis?

Query Augmentation und Content Gap Analysis unterscheiden sich grundlegend in ihrer Zielsetzung und Methodik innerhalb des SEO- und Content-Marketing-Kontexts. Während Query Augmentation auf die Erweiterung semantischer Reichweite durch synonyme, intentbasierte oder embeddinggestützte Umformulierungen von Suchanfragen abzielt, fokussiert sich Content Gap Analysis auf das systematische Identifizieren thematischer Lücken im Vergleich zum Wettbewerb.

Wie ist Query Augmentation mit Topic Clustering verknüpft?

Query Augmentation ist intrinsisch mit Topic Clustering verknüpft, da sie beide auf die semantische Verfeinerung und strukturelle Kontextualisierung von Suchanfragen im Information Retrieval und der Suchmaschinenoptimierung abzielen.

Während Query Augmentation bestehende Nutzeranfragen durch semantisch verwandte Begriffe, Synonyme oder Fragen erweitert, sorgt Topic Clustering für eine thematische Bündelung von Inhalten entlang zentraler Konzepte wie „Pillar Pages“.

Im NLP-Kontext dienen augmentierte Anfragen zudem als reichhaltigere Eingangsdaten für unüberwachte Clustering-Verfahren wie K-Means oder hierarchisches Clustering auf Basis von Embedding Spaces (z. B. Sentence-BERT), was zu höherer Kohärenz und Validität der Cluster führt.

Was ist der Unterschied zwischen Query Augmentation und Query Expansion?

Beide Technologien erweitern Suchanfragen automatisch, unterscheiden sich jedoch fundamental in Intelligenz und Methodik. Query Expansion arbeitet mechanisch mit Wortlisten, Query Augmentation versteht Kontext durch KI.

• Query Expansion fügt verwandte Begriffe aus Thesauri hinzu – aus „Laptop“ wird „Laptop ODER Notebook ODER Computer“.
• Query Augmentation transformiert die Anfrage kontextbasiert – aus „Laptop“ wird „Gaming Laptop unter 2000 Euro“ oder „Business Notebook mit langer Akkulaufzeit“, je nach Nutzerhistorie und Situation.

Die drei Hauptunterschiede zwischen Query Augmentation und Query Expansion sind wie folgt:

1. Methodik: Expansion = statische Synonymlisten; Augmentation = neuronale KI-Modelle (BERT)
2. Kontextverständnis: Expansion = kontextblind; Augmentation = analysiert Session-Historie und Nutzerumgebung
3. Ergebnis: Expansion = addiert Terme; Augmentation = reformuliert die gesamte Anfrage

Beispiel: Bei „Python“ fügt Expansion blind „Schlange, Programmiersprache“ hinzu. Augmentation erkennt durch Kontext, ob Coding oder Zoologie gemeint ist.

Nutzt Query Augmentation Entity-Beziehungen aus dem Knowledge Graph?

Ja, Query Augmentation nutzt Entity-Beziehungen aus dem Knowledge Graph, um Suchanfragen durch verknüpfte Konzepte und deren Attribute intelligent zu erweitern.

Der Knowledge Graph liefert strukturierte Entitätsdaten: „Berlin“ → „Hauptstadt von“ → „Deutschland“. Bei der Suche „Hauptstadt Deutschland“ erweitert Query Augmentation automatisch um „Berlin“, „Bundesregierung“, „Brandenburger Tor“ – basierend auf den gespeicherten Entity-Relationen.

• Disambiguierung: „Jobs Apple“ wird durch Knowledge Graph zu Steve Jobs + Apple Inc. (nicht Stellenanzeigen)
• Relationserweiterung: „Ehefrau Obama“ → System erkennt Barack Obama [verheiratet_mit] Michelle Obama
• Attribut-Verknüpfung: „Tesla Gründer Vermögen“ → Tesla [gegründet_von] Elon Musk [Vermögen] wird automatisch verknüpft

Query Augmentation nutzt Entity Linking zur Identifikation, mappt diese gegen Knowledge Graph-IDs und folgt Relationen bis zu 2-3 Knoten Entfernung. Die Relevanz wird durch Relationstyp und Popularität gewichtet.