Strukturelle Optimierung
Was wird an der veröffentlichten Webseite geprüft?
Die Redaktion prüft, ob jeder Abschnitt eine zusammenhängende Erklärung enthält und ob Begriffe, Angaben und Belege eindeutig zugeordnet sind. Die Webentwickler kontrollieren, ob der technische Aufbau diese Zusammenhänge abbildet: Sind Überschriften als solche gekennzeichnet? Stehen zusammengehörige Angaben im selben Bereich? Sind Beschriftungen mit ihren Eingabefeldern verbunden?
Das Content-Management-System, kurz CMS, ist die Software zur Pflege und Veröffentlichung der Website-Inhalte. Maßgeblich für die Prüfung ist die veröffentlichte Webseite einschließlich ihres HTML-Aufbaus. Eine Gliederung, die nur im Bearbeitungsfenster des CMS erkennbar ist, reicht dafür nicht aus.
Wie sollte eine Website für KI-Suchsysteme aufgebaut sein?
Jede Seite soll eine klar abgegrenzte Frage beantworten. Die wichtigsten Informationen stehen am Anfang; weitere Abschnitte ergänzen Erklärungen, Beispiele und Belege. Zusammengehörige Angaben werden so angeordnet, dass ihr Zusammenhang auch beim Auslesen der Seite erhalten bleiben kann.
Die Webentwickler setzen die Gliederung im HTML um. HTML steht für Hypertext Markup Language und ist die Auszeichnungssprache, mit der die Bestandteile einer Webseite gekennzeichnet werden. Eine Überschrift wird damit als Überschrift ausgezeichnet, eine Liste als Liste und eine Formularbeschriftung mit dem zugehörigen Eingabefeld verbunden.
Warum ist die HTML-Struktur einer Webseite wichtig?
Ein Browser stellt die Inhalte einer Webseite mit Farben, Schriftgrößen und Abständen dar. Werden Webseiteninhalte als Text an ein Sprachmodell übergeben, stehen diese Gestaltungshinweise nicht automatisch zur Verfügung. Die Funktion einer Überschrift oder die Zuordnung einer Beschriftung muss dann aus dem übergebenen Text und seiner Struktur hervorgehen.
Sprachmodelle zerlegen Text in kleine Einheiten, sogenannte Tokens. Dazu können Wörter, Wortteile und Zeichen gehören. Bei der Verarbeitung von HTML liefern auch die Kennzeichnungen im Code und die Anordnung der Elemente Hinweise auf deren Funktion. Ein Eingabefeld wird beispielsweise im Zusammenhang mit seiner Beschriftung und den Angaben zum Feldtyp betrachtet.
Wie wird im HTML deutlich, welche Angaben zusammengehören?
HTML-Elemente können weitere Elemente enthalten. Der Browser bildet diese Anordnung im Document Object Model, kurz DOM, ab. Das DOM beschreibt die Webseite als Baum: Ein übergeordneter Bereich enthält untergeordnete Elemente. Ein solcher Bereich mit allen enthaltenen Elementen wird als Teilbaum bezeichnet.
Beispiel Produktangaben: Produktname, Preis, Beschreibung und die Schaltfläche zum Kauf gehören zum selben Angebot. Werden diese Angaben in einem gemeinsamen Bereich zusammengefasst, ist ihre Zusammengehörigkeit auch im DOM erkennbar. Ein Programm, das den Bereich ausliest, kann die Angaben gemeinsam übernehmen.
Beispiel Formular: Die Beschriftung „E-Mail-Adresse“ muss mit dem Feld verbunden sein, in das die Adresse eingegeben wird. Dafür erhält das Eingabefeld die Kennung id="email". Die Beschriftung verweist mit for="email" auf genau diese Kennung. Die zusätzliche Angabe type="email" kennzeichnet das Feld als Eingabe für eine E-Mail-Adresse.
Das Formularbeispiel zeigt, warum räumliche Nähe allein nicht genügt. Die übereinstimmenden Werte von for und id legen die Verbindung zwischen Beschriftung und Feld ausdrücklich fest. Bei der technischen Prüfung muss deshalb kontrolliert werden, ob die Kennungen zusammenpassen.
Welche Bestandteile gehören zum Hauptinhalt einer Seite?
Der Hauptinhalt beantwortet die Frage, um die es auf der jeweiligen Seite geht. Navigation, Fußzeile und allgemeine Hinweise erfüllen andere Aufgaben und wiederholen sich häufig auf vielen Seiten. Solche wiederkehrenden Bestandteile werden als Boilerplate bezeichnet.
Hauptinhalt und wiederkehrende Bereiche sollen im HTML getrennt gekennzeichnet werden. So lässt sich beim Auslesen erkennen, welche Texte zur eigentlichen Erklärung gehören und welche der Orientierung auf der Website dienen. Unnötig wiederholte Texte können gekürzt werden, ohne notwendige Navigation oder Hinweise zu entfernen.
Warum sollte unnötiger Code im HTML reduziert werden?
HTML-Dokumente können neben dem eigentlichen Inhalt umfangreiche Gestaltungsvorgaben, Programmcode und Kommentare enthalten. Werden diese Bestandteile an ein Sprachmodell übergeben, beanspruchen sie ebenfalls Platz. Die Menge an Text, die ein Modell für eine Antwort verarbeiten kann, ist begrenzt. Dieser verfügbare Bereich wird als Kontextfenster bezeichnet.
In der Voruntersuchung zur Forschungsarbeit HtmlRAG entfielen über 90 Prozent der Tokens in den untersuchten HTML-Dokumenten auf Gestaltungsvorgaben, Programmcode, Kommentare oder andere für den Inhalt wenig aussagekräftige Bestandteile. Die Zahl beschreibt die untersuchten Dokumente und ist kein allgemeiner Wert für jede Website.
Die Autoren berichten auch bei einem großen Kontextfenster von Vorteilen bereinigter HTML-Dokumente gegenüber unbearbeitetem HTML. Zusätzlicher Code kann die Verarbeitung also auch dann erschweren, wenn noch kein Text abgeschnitten werden muss.
Wenn ein HTML-Dokument mehr Text enthält, als das eingesetzte Verfahren an das Modell übergeben kann, müssen Inhalte ausgewählt oder gekürzt werden. Dabei können wichtige Informationen fehlen. In der Studie „HtmlRAG“ stellen die Autoren ein Verfahren vor, das unnötigen Code aus abgerufenen HTML-Dokumenten entfernt und anschließend Abschnitte für die Beantwortung einer Frage auswählt. Beim Kürzen sollen wichtige Strukturen wie Überschriften und Tabellen erhalten bleiben.
Für die Überarbeitung einer Website bedeutet das, unnötig lange Kommentare, leere Bereiche und überflüssig verschachtelte HTML-Elemente zu prüfen. Gestaltungsvorgaben und Programmcode lassen sich bei Bedarf aus dem HTML auslagern. Funktionen der Website und Kennzeichnungen, die zum Verständnis beitragen, müssen dabei erhalten bleiben.
Forschungsarbeit: „HtmlRAG: HTML is Better Than Plain Text for Modeling Retrieved Knowledge in RAG Systems“. Die Autoren untersuchen, wie bereinigtes und gekürztes HTML bei der Beantwortung von Fragen genutzt werden kann. Dabei sollen Informationen wie Überschriften und Tabellenstrukturen erhalten bleiben.
Forschungsarbeit: „Understanding HTML with Large Language Models“. Die Autoren untersuchen unter anderem, wie Sprachmodelle die Funktion von HTML-Elementen erkennen und Beschreibungen zu Eingabefeldern zuordnen.
https://aclanthology.org/2023.findings-emnlp.185/
Wenn Sie erfahren möchten, wie Sie die Inhalte und die Struktur Ihrer Website für KI-Systeme verbessern können, vereinbaren Sie ein kostenloses Erstgespräch mit mir.