TF-IDF

TF-IDF

Definition

TF-IDF steht für Term Frequency – Inverse Document Frequency und ist eine statistische Methode, die bewertet, wie relevant ein Begriff innerhalb eines Dokuments im Verhältnis zu einer größeren Textsammlung ist. Die Term Frequency misst, wie oft ein Wort in einem einzelnen Text vorkommt; die Inverse Document Frequency gewichtet diesen Wert herunter, wenn dasselbe Wort in vielen anderen Dokumenten ebenfalls häufig auftaucht. Das Ergebnis ist ein Score, der Wörter mit echter inhaltlicher Aussagekraft von allgemeinen Füllwörtern unterscheidet.

Warum TF-IDF wichtig ist

Suchmaschinen nutzen TF-IDF-ähnliche Signale seit Jahrzehnten, um Texte inhaltlich einzuordnen und thematische Relevanz zu messen. Für die Praxis bedeutet das: Ein Text, der thematisch relevante Begriffe in einer Häufigkeit und Kombination enthält, die für das jeweilige Thema typisch ist, wird semantisch stärker mit diesem Thema verknüpft. Im SEO-Kontext hilft die TF-IDF-Analyse dabei, Inhaltslücken zu identifizieren — also Begriffe, die in gut rankenden Wettbewerbstexten regelmäßig auftauchen, im eigenen Text aber fehlen oder deutlich unterrepräsentiert sind. Wer TF-IDF bei der Content-Optimierung berücksichtigt, schreibt nicht für ein einzelnes Keyword, sondern deckt das semantische Umfeld eines Themas vollständig ab.

Beispiel

Ein Online-Shop für Laufschuhe möchte eine Kategorieseite für „Trailrunning-Schuhe" optimieren. Eine TF-IDF-Analyse der Top-10-Ergebnisse in Google zeigt, dass Begriffe wie „Vibram-Sohle", „Sprengung", „Pronation" und „Grip auf Schotter" in fast allen gut rankenden Texten vorkommen — im eigenen Text jedoch fehlen. Diese Begriffe tragen keinen hohen TF-IDF-Score, weil sie überall stehen, sondern weil sie thematisch trennscharf für genau dieses Segment sind. Werden sie gezielt eingebaut, verbessert sich die semantische Abdeckung des Textes — ohne dass das Haupt-Keyword mechanisch wiederholt werden muss.

Verwandte Begriffe