Entity-Disambiguierung

Entity-Disambiguierung verstehen

Entity-Disambiguierung ist der Prozess der Bestimmung, auf welche spezifische Entität sich eine bestimmte Erwähnung bezieht, wenn mehrere Entitäten denselben Namen oder ähnliche Referenzen teilen. Im Kontext der künstlichen Intelligenz und der Verarbeitung natürlicher Sprache (NLP) stellt die Entity-Disambiguierung sicher, dass ein KI-System beim Auftreten einer benannten Entität in einem Text korrekt identifiziert, auf welches reale Objekt, welche Person, Organisation oder welchen Ort Bezug genommen wird. Dies unterscheidet sich grundlegend von der Named Entity Recognition (NER), die lediglich erkennt, dass eine Entität existiert, und sie in eine Kategorie wie „Person", „Organisation" oder „Ort" einordnet. Während NER die Frage „Gibt es hier eine Entität?" beantwortet, beantwortet die Entity-Disambiguierung die Frage „Um welche spezifische Entität handelt es sich?" Wenn beispielsweise der Satz „Apple war die Idee von Steve Jobs" verarbeitet wird, identifiziert NER „Apple" als Organisation, aber die Entity-Disambiguierung bestimmt, ob es sich auf Apple Inc., das Technologieunternehmen, oder möglicherweise auf eine andere Entität mit demselben Namen bezieht. Diese Unterscheidung ist für KI-Systeme, die Inhalte genau verstehen und zitieren müssen, von entscheidender Bedeutung. Aus diesem Grund überwacht AmICited.com, wie KI-Systeme wie ChatGPT, Perplexity und Google AI Overviews die Entity-Disambiguierung bei der Generierung von Antworten über Marken und Organisationen handhaben.

Die Herausforderung mehrdeutiger Entitäten in KI-Systemen

Das grundlegende Problem, das die Entity-Disambiguierung löst, ist Mehrdeutigkeit – die Tatsache, dass viele Entitätsnamen sich auf mehrere verschiedene reale Objekte beziehen können. Diese Mehrdeutigkeit stellt eine erhebliche Herausforderung für KI-Systeme dar, die versuchen, genaue Inhalte zu verstehen und zu generieren. Laut dem Stanford AI Index 2024 enthalten über 18 % der LLM-Ausgaben mit Markenentitäten entweder Halluzinationen oder Fehlzuschreibungen von Entitäten, was bedeutet, dass KI-Systeme häufig eine Entität mit einer anderen verwechseln oder falsche Informationen über Entitäten generieren. Diese Fehlerquote hat schwerwiegende Auswirkungen auf die Markendarstellung und die Inhaltsgenauigkeit. Wenn ein KI-System eine Entität falsch identifiziert, kann es falsche Informationen liefern, Aussagen der falschen Organisation zuschreiben oder es versäumen, die korrekte Quelle für Informationen anzugeben.

Die Folgen einer schlechten Entity-Disambiguierung gehen über einfache sachliche Fehler hinaus. Für Inhaltsersteller und Marken kann eine Fehlidentifikation in KI-generierten Antworten zu verlorener Sichtbarkeit, falscher Zuordnung und einer Schädigung des Markenrufs führen. Wenn ein Nutzer ein KI-System nach „Delta" fragt, sucht er möglicherweise Informationen über Delta Airlines. Wenn das System dies jedoch mit der Delta Faucet Company verwechselt, erhält der Nutzer irrelevante Informationen. Genau deshalb überwacht AmICited.com, wie KI-Systeme Entitäten disambiguieren – um Marken dabei zu helfen zu verstehen, ob sie in KI-generierten Inhalten auf mehreren Plattformen korrekt identifiziert und zitiert werden.

Wie Entity-Disambiguierung funktioniert: Ein vierstufiger Prozess

Die Entity-Disambiguierung erfolgt durch einen systematischen Prozess, der mehrere NLP-Techniken kombiniert, um Mehrdeutigkeiten aufzulösen und Entitäten korrekt zu identifizieren. Das Verständnis dieses Prozesses zeigt, warum manche KI-Systeme bei der Wahrung der Zitationsgenauigkeit besser abschneiden als andere.

1. Named Entity Recognition (NER): Der erste Schritt umfasst die Identifizierung und Klassifizierung benannter Entitäten im Text. NER-Systeme durchsuchen Textdaten und lokalisieren Erwähnungen von Entitäten, die sie vordefinierten Kategorien wie Person, Organisation, Ort, Produkt oder Datum zuordnen. Beispielsweise identifiziert NER im Satz „Apple war die Idee von Steve Jobs" sowohl „Apple" als auch „Steve Jobs" als Entitäten und klassifiziert sie als Organisation bzw. Person. Dieser grundlegende Schritt ist unerlässlich, denn eine Disambiguierung kann nicht erfolgen, ohne zunächst zu identifizieren, welche Entitäten im Text vorhanden sind.

2. Entitätskategorisierung: Sobald Entitäten identifiziert sind, müssen sie präziser kategorisiert werden. Dies umfasst nicht nur eine grobe Klassifizierung, sondern auch das Verständnis des spezifischen Typs und Kontexts jeder Entität. Das System analysiert den umgebenden Text, um zu verstehen, ob „Apple" in einem technologischen Kontext (was auf Apple Inc. hindeutet), einem lebensmittelbezogenen Kontext (was auf die Frucht hindeutet) oder einem finanziellen Kontext (was auf die Apple Bank hindeutet) erscheint. Diese Kontextanalyse hilft, die Möglichkeiten vor dem eigentlichen Disambiguierungsschritt einzugrenzen.

3. Disambiguierung: Dies ist der Kernschritt, bei dem das System bestimmt, auf welche spezifische Entität Bezug genommen wird. Das System bewertet mehrere mögliche Entitäten, die zum identifizierten Namen passen, und verwendet verschiedene Signale – einschließlich Kontext, Entitätsbeschreibungen, semantischer Beziehungen und Wissensgraphinformationen – um die wahrscheinlichste korrekte Entität auszuwählen. Bei „Apple war die Idee von Steve Jobs" erkennt das System, dass Steve Jobs stark mit Apple Inc. assoziiert ist, was dies zur korrekten Disambiguierungswahl macht.

4. Wissensdatenbank-Verknüpfung: Der letzte Schritt umfasst die Verknüpfung der disambiguierten Entität mit einer eindeutigen Kennung in einer externen Wissensdatenbank oder einem Wissensgraphen, wie Wikidata, Wikipedia oder einer proprietären Datenbank. Diese Verknüpfung bestätigt die Identität der Entität und reichert den Text mit semantischen Informationen an, die für die weitere Verarbeitung und Analyse genutzt werden können. Der Entität wird eine eindeutige URI (Uniform Resource Identifier) zugewiesen, die als definitiver Referenzpunkt dient.

Ansätze und Technologien für die Entity-Disambiguierung

Im Laufe der Zeit haben sich verschiedene Ansätze zur Entity-Disambiguierung entwickelt, die jeweils spezifische Vorteile und Einschränkungen aufweisen. Das Verständnis dieser Ansätze hilft zu erklären, warum moderne KI-Systeme in ihrer Disambiguierungsgenauigkeit variieren.

• Regelbasierte Ansätze: Diese Systeme verwenden vordefinierte linguistische Regeln und heuristische Muster zur Disambiguierung von Entitäten. Sie könnten Regeln anwenden wie „wenn ‚Apple’ in der Nähe von ‚iPhone’ oder ‚MacBook’ erscheint, bezieht es sich auf Apple Inc." oder „wenn ‚Delta’ in der Nähe von ‚Fluggesellschaft’ oder ‚Flug’ erscheint, bezieht es sich auf Delta Airlines." Obwohl regelbasierte Systeme interpretierbar sind und keine großen Trainingsdatensätze benötigen, haben sie Schwierigkeiten mit neuartigen Kontexten und können sich ohne manuelle Regelaktualisierungen nicht an neue Entitätsbedeutungen anpassen.

• Maschinelle Lernansätze: Überwachte maschinelle Lernmodelle lernen anhand annotierter Trainingsdaten, die korrekte Entität auf der Grundlage kontextueller Merkmale vorherzusagen. Diese Systeme extrahieren Merkmale aus dem umgebenden Text und verwenden Algorithmen wie Support Vector Machines oder Random Forests, um zu klassifizieren, welche Entität am wahrscheinlichsten ist. Maschinelle Lernansätze sind flexibler als regelbasierte Systeme, erfordern jedoch umfangreiche gekennzeichnete Trainingsdaten und lassen sich möglicherweise nicht gut auf Entitäten übertragen, die während des Trainings nicht gesehen wurden.

• Deep Learning und transformerbasierte Modelle: Die moderne Entity-Disambiguierung stützt sich zunehmend auf transformerbasierte Architekturen wie BERT, RoBERTa und spezialisierte Modelle wie GENRE und BLINK. Diese Modelle verwenden neuronale Netze, um Kontext tiefergehend zu verstehen und semantische Beziehungen sowie nuancierte linguistische Muster zu erfassen. Transformermodelle erzielen überlegene Leistungen bei Standard-Benchmarks und können komplexe Disambiguierungsszenarien besser bewältigen. Beispielsweise verwendet das CEEL-System (Common English Entity Linking) von Ontotext eine transformerbasierte Architektur, die auf CPU-Effizienz optimiert ist und gleichzeitig eine hohe Genauigkeit beibehält – mit 96 % Genauigkeit bei der Entitätserkennung und 76 % Genauigkeit beim Entity Linking bei Standard-Benchmarks.

• Wissensgraphen-Integration: Moderne Systeme kombinieren zunehmend maschinelles Lernen mit Wissensgraphen – strukturierten Datenbanken, die Entitäten und ihre Beziehungen darstellen. Wissensgraphen liefern umfangreiche kontextuelle Informationen über Entitäten, ihre Eigenschaften und ihre Beziehungen zu anderen Entitäten. Durch die Abfrage von Wissensgraphen während der Disambiguierung können Systeme auf Metadaten, Beschreibungen und Beziehungsinformationen zugreifen, die helfen, Mehrdeutigkeiten genauer aufzulösen.

Reale Anwendungen in verschiedenen Branchen

Die Entity-Disambiguierung ist in zahlreichen Branchen und Anwendungen unverzichtbar geworden, wobei jede von einer genauen Entitätsidentifikation und Zitation profitiert.

Suchmaschinen: Google, Bing und andere Suchmaschinen verlassen sich stark auf die Entity-Disambiguierung, um relevante Ergebnisse zu liefern. Wenn ein Nutzer nach „Apple" sucht, muss die Suchmaschine ermitteln, ob der Nutzer an Apple Inc., der Frucht oder einer anderen Entität mit diesem Namen interessiert ist. Suchmaschinen nutzen Abfragekontext, Nutzerverlauf und Wissensgraphen zur Disambiguierung und liefern die relevantesten Ergebnisse. Aus diesem Grund zeigen Suchergebnisse für „Apple" in der Regel zuerst das Technologieunternehmen – das System hat gelernt, dass dies die am häufigsten gemeinte Entität ist.

Medien und Verlagswesen: Nachrichtenorganisationen und Content-Plattformen nutzen die Entity-Disambiguierung, um die Auffindbarkeit von Inhalten zu verbessern und verwandte Artikel zu verknüpfen. Wenn ein Nachrichtenartikel „Apple" erwähnt, kann das System automatisch auf den Wissensdatenbankeintrag von Apple Inc. verlinken und den Lesern so zusätzlichen Kontext und verwandte Artikel bieten. Dies verbessert das Nutzerengagement und hilft Lesern, den breiteren Kontext von Nachrichten zu verstehen.

Gesundheitswesen: Medizinische Einrichtungen nutzen die Entity-Disambiguierung, um Medikamente, Krankheiten und medizinische Verfahren in Patientenakten und klinischer Literatur genau zu identifizieren. Die Disambiguierung von Arzneimittelnamen ist besonders wichtig – „Aspirin" kann sich auf das Generikum, einen bestimmten Markennamen oder eine Dosierungsvariante beziehen. Eine genaue Disambiguierung stellt sicher, dass medizinisches Fachpersonal auf die richtigen Informationen zugreift und Patientenakten ordnungsgemäß organisiert sind.

Finanzdienstleistungen: Investmentfirmen und Finanzanalysten nutzen die Entity-Disambiguierung, um Unternehmenserwähnungen in Nachrichten, Gewinnberichten und Marktdaten zu verfolgen. Bei der Analyse des Marktengagements muss ein Unternehmen alle Erwähnungen eines bestimmten Unternehmens in verschiedenen Datenquellen genau identifizieren. Die Entity-Disambiguierung stellt sicher, dass „Apple"-Referenzen korrekt Apple Inc. zugeordnet werden und nicht anderen Entitäten, was eine genaue Risikobewertung und Portfolioanalyse ermöglicht.

E-Commerce: Online-Händler nutzen die Entity-Disambiguierung, um Produkterwähnungen tatsächlichen Produkten in ihren Katalogen zuzuordnen. Wenn ein Kunde nach „Apple Laptop" sucht, muss das System „Apple" als das Unternehmen disambiguieren und den relevanten Produkten zuordnen. Dies verbessert die Suchgenauigkeit und hilft Kunden, das Gesuchte effizienter zu finden.

AmICited.com wendet die Prinzipien der Entity-Disambiguierung an, um zu überwachen, wie KI-Systeme wie ChatGPT, Perplexity und Google AI Overviews Markenerwähnungen behandeln. Indem AmICited verfolgt, ob diese Systeme Markenentitäten korrekt disambiguieren und genau zitieren, hilft es Marken, ihre Sichtbarkeit und Darstellung in KI-generierten Inhalten zu verstehen.

Die Rolle von Wissensgraphen bei der Entity-Disambiguierung

Wissensgraphen sind für moderne Entity-Disambiguierungssysteme grundlegend geworden, da sie strukturierte Darstellungen von Entitäten und ihren Beziehungen bieten. Ein Wissensgraph ist im Wesentlichen eine Datenbank von Entitäten (dargestellt als Knoten) und den Beziehungen zwischen ihnen (dargestellt als Kanten). Jeder Entitätsknoten enthält Metadaten wie den Namen, die Beschreibung, den Typ und die Eigenschaften der Entität. Beispielsweise könnte die Entität „Apple Inc." in einem Wissensgraphen Eigenschaften wie „gegründet 1976", „Hauptsitz in Cupertino", „Branche: Technologie" und Beziehungen wie „gegründet von Steve Jobs" und „produziert iPhone" haben.

Wenn ein Entity-Disambiguierungssystem auf eine mehrdeutige Entitätserwähnung stößt, kann es den Wissensgraphen abfragen, um umfangreiche kontextuelle Informationen über mögliche Entitäten zu erhalten. Diese Informationen helfen dem System, fundiertere Disambiguierungsentscheidungen zu treffen. Wenn das System beispielsweise versucht, „Apple" zu disambiguieren, und feststellt, dass der umgebende Text „Steve Jobs" erwähnt, kann es den Wissensgraphen abfragen, um zu entdecken, dass Steve Jobs stark mit Apple Inc. assoziiert ist, was dies zur wahrscheinlichsten korrekten Entität macht. Wissensgraphen wie Wikidata und Wikipedia bieten öffentlich zugängliche Entitätsinformationen, die viele KI-Systeme während der Inferenz nutzen. Proprietäre Wissensgraphen, die von Organisationen wie Google, Microsoft und anderen aufgebaut wurden, bieten zusätzliche domänenspezifische Entitätsinformationen. Die Integration von Wissensgraphen mit maschinellen Lernmodellen hat die Genauigkeit der Entity-Disambiguierung erheblich verbessert, da Systeme nun erlernte Muster mit strukturierten Fakteninformationen kombinieren können.

Herausforderungen und Einschränkungen der Entity-Disambiguierung

Trotz erheblicher Fortschritte stehen Entity-Disambiguierungssysteme vor mehreren anhaltenden Herausforderungen, die ihre Genauigkeit und Anwendbarkeit einschränken.

Polysemie und Mehrdeutigkeit: Viele Entitätsnamen haben mehrere legitime Bedeutungen, und der Kontext allein reicht möglicherweise nicht aus, um sie zu disambiguieren. „Bank" kann sich auf ein Finanzinstitut oder die Seite eines Flusses beziehen. „Kranich" kann sich auf einen Vogel oder eine Baumaschine beziehen. Manche Entitätsnamen sind so mehrdeutig, dass selbst Menschen ohne zusätzlichen Kontext Schwierigkeiten haben, die beabsichtigte Bedeutung zu bestimmen. KI-Systeme müssen lernen zu erkennen, wann der Kontext unzureichend ist, und solche Fälle angemessen behandeln.

Neue und aufkommende Entitäten: Wissensdatenbanken und Trainingsdatensätze werden mit der Zeit veraltet, wenn neue Entitäten entstehen. Wenn ein neues Unternehmen gegründet oder ein neues Produkt auf den Markt gebracht wird, haben Entity-Disambiguierungssysteme möglicherweise keine Informationen darüber in ihren Wissensdatenbanken. Zero-Shot-Entity-Linking – die Fähigkeit, Entitäten zu disambiguieren, die während des Trainings nicht gesehen wurden – bleibt eine anspruchsvolle Aufgabe. Systeme müssen in der Lage sein zu erkennen, dass eine Entität neu ist, und sie angemessen behandeln, anstatt sie fälschlicherweise einer vorhandenen Entität mit einem ähnlichen Namen zuzuordnen.

Namensvarianten und Rechtschreibfehler: Entitäten haben oft mehrere Namen, Abkürzungen und Varianten. „Vereinigte Staaten", „USA", „U.S." und „Amerika" beziehen sich alle auf dieselbe Entität. Rechtschreibfehler und Tippfehler erschweren die Disambiguierung zusätzlich. Systeme müssen diese Varianten erkennen und korrekt der kanonischen Entität zuordnen. Dies ist besonders bei nutzergenerierten Inhalten eine Herausforderung, bei denen Rechtschreibfehler häufig vorkommen.

Unvollständige oder veraltete Daten: Wissensdatenbanken können unvollständige Informationen über Entitäten enthalten, oder die Informationen können mit der Zeit veralten, wenn sich Entitäten weiterentwickeln. Der Hauptsitz eines Unternehmens kann sich ändern, die Führung kann wechseln oder ein Unternehmen kann übernommen werden. Wenn die Wissensdatenbank nicht zeitnah aktualisiert wird, können Disambiguierungssysteme veraltete Informationen für Entscheidungen verwenden.

Skalierbarkeit und Leistung: Die Verarbeitung großer Textmengen mit hochgenauer Entity-Disambiguierung erfordert erhebliche Rechenressourcen. Die Echtzeit-Disambiguierung für Anwendungen im Web-Maßstab ist rechenintensiv. Systeme müssen Genauigkeit mit Geschwindigkeit und Kosten in Einklang bringen, was oft zu Kompromissen führt, die die Disambiguierungsqualität beeinträchtigen.

Entity-Disambiguierung für Markenschutz und KI-Zitationsgenauigkeit

Für Marken und Inhaltsersteller ist das Verständnis der Entity-Disambiguierung unerlässlich, um eine genaue Darstellung in KI-generierten Inhalten sicherzustellen. Da KI-Systeme zunehmend Einfluss darauf haben, wie Informationen entdeckt und konsumiert werden, müssen Marken proaktive Maßnahmen ergreifen, um sicherzustellen, dass sie korrekt disambiguiert und zitiert werden.

Prä-Disambiguierungsstrategien: Marken können Strategien implementieren, die es KI-Systemen erleichtern, ihre Entitäten korrekt zu disambiguieren. Dies beinhaltet die Schaffung klarer, unverwechselbarer digitaler Signale, die KI-Systemen helfen, die Marke eindeutig zu identifizieren. Eine Schlüsselstrategie ist die Implementierung strukturierter Daten mithilfe von Schema.org-Markup und JSON-LD-Format auf Markenwebsites. Diese strukturierten Daten teilen KI-Systemen explizit die Identität der Marke mit, einschließlich ihres offiziellen Namens, ihrer Beschreibung, ihres Logos, des Standorts des Hauptsitzes und anderer unterscheidender Merkmale. Wenn KI-Systeme auf den Markennamen stoßen, können sie auf diese strukturierten Daten verweisen, um die korrekte Entität zu bestätigen.

Wissensgraphen-Optimierung: Marken sollten sicherstellen, dass sie in wichtigen Wissensgraphen wie Wikidata und Wikipedia stark vertreten sind. Dies beinhaltet die Erstellung oder Pflege genauer Wikipedia-Artikel, die Sicherstellung vollständiger und aktueller Wikidata-Einträge sowie den Aufbau von Beziehungen zwischen der Markenentität und verwandten Entitäten. Je umfassender und genauer die Präsenz einer Marke in Wissensgraphen ist, desto mehr Informationen stehen KI-Systemen für die Disambiguierung zur Verfügung.

Kontextuelle Content-Strategie: Marken können Inhalte erstellen, die klaren Kontext zu ihrer Identität bieten und sie von anderen Entitäten mit ähnlichen Namen unterscheiden. Inhalte, die die Branche, Produkte, Gründer und das einzigartige Wertversprechen der Marke explizit erwähnen, helfen KI-Systemen, die unverwechselbaren Merkmale der Marke zu verstehen. Diese kontextuellen Inhalte werden Teil der Trainingsdaten und des Kontexts, den KI-Systeme für die Disambiguierung nutzen.

Zitationsüberwachung: Tools wie AmICited.com ermöglichen es Marken, zu überwachen, wie KI-Systeme ihre Marke auf verschiedenen Plattformen disambiguieren und zitieren. Indem Marken verfolgen, ob ChatGPT, Perplexity, Google AI Overviews und andere Systeme die Marke korrekt identifizieren und genau zitieren, können sie Disambiguierungsfehler erkennen und Korrekturmaßnahmen ergreifen. Diese Überwachung ist entscheidend für das Verständnis der Markensichtbarkeit im Zeitalter generativer KI.

Generative Engine Optimization (GEO): Da die Entity-Disambiguierung für die KI-Sichtbarkeit immer wichtiger wird, sollten Marken die Entitätsoptimierung in ihre umfassendere Generative-Engine-Optimierungsstrategie einbeziehen. Dies beinhaltet die Sicherstellung, dass die Markenentität klar definiert, gut dokumentiert und leicht von konkurrierenden Entitäten unterscheidbar ist. GEO umfasst nicht nur traditionelle SEO, sondern auch die Optimierung dafür, wie KI-Systeme Marken verstehen und darstellen.

Überprüfung der Entity-Disambiguierungsgenauigkeit Ihrer Marke

Die Überprüfung, wie gut Ihre Markenentität disambiguiert wird, erfordert einen strukturierten Prozess und nicht nur eine Stichprobenprüfung einiger Erwähnungen. Schritt 1: Mehrdeutige Überschneidungen erfassen. Suchen Sie nach Ihrem Markennamen zusammen mit gängigen Branchen, mit denen er verwechselt werden könnte (wie die Beispiele „Delta", „Apple" und „Orange" zeigen), und notieren Sie andere Unternehmen, Produkte oder gebräuchliche Wörter, die Ihren Namen teilen. Schritt 2: Vollständigkeit des Wissensgraphen prüfen. Schlagen Sie Ihre Marke auf Wikidata und Wikipedia nach – bestätigen Sie, dass der Eintrag existiert, aktuell ist und die identifizierenden Details (Gründungsdatum, Hauptsitz, Branche, wichtige Produkte oder Personen) enthält, die Disambiguierungssysteme bei der Auflösung von Mehrdeutigkeiten abfragen. Lücken hier sind die häufigste Ursache für Fehlzuschreibungen. Schritt 3: Strukturierte Daten auf Ihrer eigenen Website validieren. Verwenden Sie den Rich Results Test von Google, um zu bestätigen, dass das Schema.org-Organisations-Markup vorhanden, gültig ist und unterscheidende Eigenschaften wie sameAs-Links zu Ihren verifizierten Social-Media- und Wikidata-Profilen enthält. Schritt 4: KI-Systemausgaben direkt testen. Stellen Sie einem KI-System eine Handvoll neutraler Fragen, die Ihre Marke hervorbringen sollten („Was ist [Markenname]?" oder „Wer stellt [Produkt] her?"), und prüfen Sie, ob die Antwort Ihre Entität korrekt identifiziert oder einen gleichnamigen Wettbewerber oder ein nicht verwandtes Konzept nennt. Schritt 5: Kontextuelle Inhalte auf Mehrdeutigkeit prüfen. Durchsuchen Sie Ihre wichtigsten Seiten nach Stellen, an denen Ihr Markenname ohne Branchen- oder Kategoriekontext in der Nähe erscheint – dies sind die Textpassagen, die am wahrscheinlichsten von Disambiguierungssystemen, die sich auf den umgebenden Text stützen, falsch interpretiert werden. Schritt 6: Vierteljährlich wiederholen, da sich Wissensgraphen und KI-Trainingsdaten ändern und ein vor sechs Monaten bestandener Disambiguierungs-Check stillschweigend fehlschlagen kann, wenn neue gleichnamige Entitäten auftauchen oder sich Ihre eigene Online-Präsenz verändert.