Welche Textlänge ist ideal für die Engine?

Zwischen 500 und 3000 Wörtern arbeitet TextRank am besten. Unter 500 Wörtern ist die Reduktion meist nicht mehr sinnvoll, der Text ist schon kurz genug. Über 3000 Wörtern beginnt das Risiko, dass mehrere Themen vermischt werden und die Zusammenfassung springt zwischen ihnen. Wer ein 10000-Wörter-Whitepaper zusammenfassen will, sollte es vorher in thematische Abschnitte splitten und jeden einzeln durchlaufen lassen. Die Engine auf text-zusammenfassen.de hat ein Limit von 20000 Zeichen, das entspricht etwa 3500 Wörtern.

Soll ich Bullet-Points zu Fließtext umwandeln?

Ja, weil TextRank Sätze als Einheiten erkennt, nicht Bullet-Items. Ein Bullet-Item ohne abschließenden Punkt wird oft nicht als Satz erkannt oder mit dem nächsten Item zusammengezogen. Wenn du eine Liste hast wie 'Vorteile: schnell, günstig, einfach', ist es sinnvoll, sie als 'Die wichtigsten Vorteile sind Geschwindigkeit, niedrige Kosten und einfache Bedienung.' umzuformulieren. Das gibt der Engine einen vollen Satz, den sie als Knoten im Graph behandeln kann.

Was mache ich mit englischen Zitaten in deutschen Texten?

Wenn nur einzelne englische Wörter oder kurze Zitate vorkommen, wird die Engine sie als Eigennamen behandeln, das ist kein Problem. Wenn aber lange englische Absätze drin sind, mischen sich englische Stopwörter wie the, of, and in die Wortlisten und verfälschen die Similarity-Berechnung. In diesem Fall ist es besser, die englischen Passagen zu kürzen oder zu paraphrasieren. Alternativ den Text vorher splitten und nur den deutschen Teil zusammenfassen.

Sollten Headlines und Untertitel im Eingabe-Text bleiben?

Nein, sie sollten entfernt werden. Headlines sind oft kurze, schlagwortartige Sätze ohne grammatikalische Struktur. TextRank wird sie unter Umständen als wichtige Sätze ranken, weil sie eine hohe Wort-Dichte haben. Das verschiebt das Score-Ranking zu Lasten echter Aussage-Sätze. Im Idealfall enthält der Input nur Fließtext aus den Hauptabsätzen. Auch Bildunterschriften und Tabellen-Captions fallen unter dieses Prinzip.

Wann scheitert eine extraktive Zusammenfassung trotz Vorbereitung?

Bei literarischen Texten, Lyrik und Dialogen kommt TextRank an seine Grenzen. Lyrik hat keine klassischen Aussage-Sätze, der Algorithmus kann keine sinnvolle Reihenfolge finden. Dialoge bestehen aus kurzen Sätzen mit hohem Pronomen-Anteil (ich, du, er, sie), die nach Stopwort-Filter fast leer sind. Auch sehr fragmentierte Texte (Twitter-Threads, Chat-Logs) funktionieren schlecht. Für solche Inhalte ist ein abstraktives Verfahren mit GPT oder Claude die bessere Wahl, weil es Kontext über Satzgrenzen hinweg versteht.

Wie du Texte richtig vorbereitest, bevor du sie zusammenfasst

Schritt 1: Den Text aus Wrappern befreien

Aus einem Browser-Tab kopierter Text bringt oft ungewollte Begleiter mit: Cookie-Hinweise, Newsletter-Boxen, Werbe-Captions, Social-Media-Buttons, Related-Articles-Listen. All das gehört nicht in den Input für einen Summarizer. TextRank rankt jeden Satz als gleichwertigen Kandidaten, also würden Werbe-Phrasen wie “Jetzt Newsletter abonnieren!” in die Score-Berechnung einfließen.

Pragmatische Lösung: Aus dem Quelltext nur die Haupt-Absätze kopieren. Bei Wikipedia das Plain Text-Feature nutzen (gibt es seit 2023). Bei PDFs eine extraktive Tools wie PDF-zu-Text-Konverter verwenden und das Ergebnis auf den Hauptteil reduzieren.

Schritt 2: Headlines und Untertitel raus

Eine Überschrift wie “Klimawandel und seine Folgen” ist kein Satz im linguistischen Sinn. Sie hat keinen Punkt, kein Verb, oft auch keine grammatikalische Struktur. TextRank wird sie aber als “Satz” tokenisieren, wenn sie isoliert steht. Das hat zwei Probleme: Erstens kann der Algorithmus sie nicht sinnvoll mit anderen Sätzen vergleichen (sie hat zu wenige Wörter). Zweitens lädt sie an Wichtigkeit, weil sie viele inhaltliche Wörter dicht beieinander hat.

Lösung: Vor dem Einfügen in den Summarizer alle Headlines und Zwischenüberschriften entfernen. Wenn die Überschrift nicht im Text vorkommen muss, weil ohnehin der erste Hauptsatz die Aussage wiederholt, kein Verlust. Wenn doch wichtig, in den ersten Hauptsatz umformulieren.

Schritt 3: Bullet-Points in Fließtext umwandeln

Bullet-Listen sind ein typischer Fall, wo extraktive Tools straucheln. Ein Eintrag wie

Geschwindigkeit
Kosten
Bedienung

wird vom Tokenizer entweder als drei einzelne “Sätze” (zu kurz, fallen meist raus) oder als ein zusammengezogener Brocken interpretiert. Beides ist suboptimal.

Bessere Variante: “Die wichtigsten Faktoren sind Geschwindigkeit, niedrige Kosten und einfache Bedienung.” Ein vollständiger Satz, der von TextRank korrekt als Knoten verarbeitet wird. Wenn die Liste lang ist (über fünf Punkte), kann man sie in zwei Sätze splitten.

Schritt 4: Bildunterschriften und Captions entfernen

Bildunterschriften haben oft die gleiche Struktur wie Headlines: kurz, schlagwortartig, oft ohne Verb. Sie sollten aus dem Input raus. Gleiches gilt für Tabellen-Captions, Diagramm-Beschriftungen und Listen-Header. Im Idealfall enthält der Input nur die durchgehenden Absatz-Texte aus dem Body.

Schritt 5: Quellenangaben am Ende abschneiden

Ein wissenschaftlicher Text endet typischerweise mit einer Literaturliste oder Fußnoten. Diese Sektionen sollten nicht in den Summarizer. Eine Literaturzeile wie “Mihalcea, R., & Tarau, P. (2004). TextRank: Bringing Order into Texts. EMNLP 2004.” enthält viele inhaltliche Wörter und würde von TextRank fälschlicherweise als wichtig gerankt.

Wenn der Text Inline-Zitationen hat (etwa “(Mihalcea & Tarau, 2004)”), sind die meist okay, weil sie nur einen kleinen Teil eines Satzes ausmachen. Vollständige Literaturlisten am Ende dagegen müssen weg.

Drei-Schritte-Vorbereitung: Texte werden zuerst von Boilerplate befreit, dann in vollständige Sätze normalisiert und erst danach in den Summarizer eingegeben.

Schritt 6: Sprache wählen, Mischtexte splitten

TextRank auf text-zusammenfassen.de nutzt eine deutsche Stopwortliste. Wer englische, französische oder spanische Texte einfüttert, bekommt schlechtere Resultate, weil die fremdsprachigen Stopwörter nicht gefiltert werden. Das verfälscht die Similarity-Berechnung.

Pragmatische Regel: Vor jedem Lauf prüfen, ob der Text wirklich deutsch ist. Bei Mischtexten (deutsche Kommentare + englische Zitate) den Text in zwei Teile splitten und jeden einzeln zusammenfassen. Wenn nur ein paar englische Begriffe drin sind (“Machine Learning”, “GPU”), bleibt das tolerabel, weil sie als Eigennamen durchlaufen.

Schritt 7: Textlänge anpassen

Die ideale Eingabe-Länge für extraktive Verfahren liegt zwischen 500 und 3000 Wörtern. Unter 500 Wörtern ist die Reduktion meist nicht sinnvoll, der Text ist schon kompakt. Über 3000 Wörtern wächst das Risiko, dass mehrere Themen im Graph vermischt werden.

Konkretes Beispiel: Ein 10000-Wörter-Whitepaper über Cloud-Computing kann fünf grobe Themen behandeln (Architektur, Sicherheit, Kosten, Migration, Compliance). TextRank wird die wichtigsten Sätze über alle fünf Themen ziehen, das Ergebnis liest sich wie ein Themen-Springer. Besser: Den Text vorher in fünf Abschnitte splitten, jeden einzeln zusammenfassen, dann die fünf Mini-Zusammenfassungen aneinanderreihen.

Was passiert bei strukturell schwierigen Texten?

Drei Texttypen, bei denen die Engine an Grenzen kommt.

Lyrik und Gedichte: TextRank zerlegt Texte nach Punkt und Zeilenumbruch in Sätze. Bei Lyrik gibt es oft keinen sauberen Punkt am Versende, die “Sätze” sind unvollständige Phrasen. Eine Zusammenfassung von Goethes Faust mit TextRank funktioniert nicht.

Dialoge: Chat-Logs oder Theaterdialoge bestehen aus kurzen Wechseln. Nach Stopwort-Filter bleiben oft nur 2-3 inhaltliche Wörter pro Aussage übrig. Die Similarity-Berechnung wird instabil, der Graph hat zu viele zu kurze Knoten.

Sehr kurze Absätze: Marketing-Copy oder News-Snippets mit zwei-Sätze-Absätzen sind problematisch, wenn die Reduktion auf 30 Prozent gehen soll. Bei drei Sätzen Input und 30 Prozent Reduktion bleibt rechnerisch ein Satz übrig, der die Aussage selten gut zusammenfasst.

Sonderfall: Strukturierte Daten (Listen, Tabellen)

Wenn der Originaltext stark strukturiert ist (Preisliste, Spec-Sheet, FAQ-Sektion), funktioniert ein extraktiver Summarizer schlecht. Listen-Items sind keine Sätze, Tabellen-Zellen erst recht nicht. Hier sollte man entweder die strukturierten Daten in Fließtext umformulieren oder, einfacher, eine andere Methode wählen (etwa nur die Headlines extrahieren).

Bei FAQ-Seiten ist es manchmal sinnvoll, nur die Antworten in den Summarizer zu geben, nicht die Fragen. Die Fragen sind kurz und untypisch strukturiert, sie verfälschen das Ranking.

Workflow für PDF-Dokumente

PDFs sind in der Praxis eine der häufigsten Quellen für Zusammenfassungen. Wissenschaftliche Paper, juristische Dokumente, Geschäftsberichte, technische Whitepapers, alles oft als PDF. Die Vorbereitung verdient eigene Aufmerksamkeit, weil PDFs strukturell ungeeignet für Copy-Paste in Textfelder sind.

Schritt 1: PDF zu Text konvertieren. Browser-Tools wie Acrobat-Online oder Open-Source-Bibliotheken wie pdfminer extrahieren den Plain Text. Bei wissenschaftlichen Papers in zweispaltigem Layout gibt es ein typisches Problem: Der Extraktor liest oft die linke Spalte ganz, dann die rechte, statt Zeile für Zeile. Das mischt thematisch unverwandte Passagen ineinander. Lösung: PDF-Tools verwenden, die das Layout erkennen, etwa GROBID für Wissenschafts-Paper.

Schritt 2: Header und Footer raus. Jede PDF-Seite hat oft einen Seitenkopf (Autor, Konferenz) und einen Fuß (Seitenzahl). Im extrahierten Text tauchen sie auf jeder Seite auf und werden vom Summarizer als wiederkehrendes Muster erkannt, was ihren Score erhöht. Manuelles Entfernen oder Regex-basiertes Stripping ist nötig.

Schritt 3: Abstract und Zusammenfassung am Ende abschneiden. Wissenschaftliche Paper haben oft schon einen Abstract am Anfang und eine Conclusion am Ende. Wer das ganze Paper inklusive dieser Abschnitte durch den Summarizer schickt, bekommt einen Summary aus den existierenden Summaries. Das ist okay als Übersicht, aber nicht das eigentliche Ziel. Wenn du den Hauptteil zusammenfassen willst, schneide Abstract und Conclusion heraus.

Schritt 4: Tabellen und Formeln entfernen. Mathematische Formeln werden im PDF-Text als Buchstabensalat extrahiert (etwa “alpha + beta = gamma” wird zu “α + β = γ” oder, schlechter, zu Unicode-Müll). Sie sind im Summarizer ohnehin nicht sinnvoll verarbeitbar.

Beispiel: Wikipedia-Artikel sauber zusammenfassen

Wikipedia-Artikel sind eine der häufigsten Quellen. Sie haben aber typische Probleme: Infoboxen, Navigationselemente, Quellen-Referenzen im Fließtext, Kategorien am Ende. Ein konkreter Workflow für das saubere Zusammenfassen.

Den Artikel im Browser öffnen, dann nicht den ganzen sichtbaren Text kopieren, sondern nur den Body-Bereich (Absätze unter den ersten Überschriften). Die “Inhaltsverzeichnis”-Box wegklicken oder ignorieren. Inline-Quellen wie [1], [2], [3] entweder belassen oder mit Suchen/Ersetzen entfernen (Pattern: eckige Klammern mit Zahl drin). Die “Siehe auch” und “Quellen”-Sektionen am Ende des Artikels nicht mitkopieren.

Das Ergebnis ist ein sauberer Fließtext, der als Input für einen extraktiven Summarizer gut funktioniert. Die Zusammenfassung wird in der Regel die einleitenden Sätze und die wichtigsten Thesen der Hauptabschnitte enthalten.

Was nach dem Summarizer kommt

Eine Zusammenfassung ist selten der Endzweck. Meistens dient sie als Recherche-Notiz oder als Basis für eigene Texte. Hier ein paar Hinweise für die Nachverarbeitung.

Manuelle Korrektur: Extraktive Zusammenfassungen haben oft Pronomen-Brüche. Ein Satz beginnt mit “Er argumentierte, dass…”, aber der vorhergehende Satz, der den Referenten genannt hat, wurde nicht ausgewählt. Lösung: Pronomen durch den Eigennamen ersetzen oder den fehlenden Kontext-Satz hinzufügen.

Anpassung an den Zweck: Wenn die Zusammenfassung für ein bestimmtes Publikum gedacht ist (Laien, Experten, Studierende), kann es sinnvoll sein, einzelne Sätze zu vereinfachen oder Fachbegriffe zu erklären. Das geht über das hinaus, was ein extraktives Verfahren leistet, aber baut auf seinem Output auf.

Paraphrasieren für wissenschaftliche Arbeiten: Wenn die Zusammenfassung in eine Hausarbeit oder Bachelor-Arbeit fließt, sollte sie unbedingt in eigenen Worten umformuliert werden. Wörtliche Übernahmen aus extraktiven Outputs sind wissenschaftliches Plagiat, weil die Sätze nicht als Zitat gekennzeichnet sind.

Was passiert, wenn man Vorbereitung weglässt?

Ein konkretes Negativ-Beispiel zeigt, was passiert, wenn man rohe Web-Inhalte direkt in einen Summarizer schickt. Nimm einen typischen Online-News-Artikel mit eingebetteten “Lese auch”-Boxen, Cookie-Hinweis und Newsletter-Banner. Ohne Vorbereitung passieren drei Dinge: Erstens kommen Werbe-Phrasen wie “Jetzt Newsletter abonnieren!” in die Zusammenfassung, weil sie als Sätze tokenisiert werden. Zweitens werden die “Lese auch”-Verweise als wichtige Sätze erkannt, weil sie thematisch ähnliche Wörter wie der Hauptartikel haben. Drittens wird der Cookie-Hinweis am Anfang oft als Einleitungssatz interpretiert.

Mit drei Minuten Vorbereitung (Headlines raus, Boilerplate weg, Quellenverweise entfernt) wird das Ergebnis sofort brauchbar. Das ist die wahrscheinlich effizienteste Investition in die Qualität einer Zusammenfassung.

Was hängenbleibt

Sauberer Input macht den Unterschied zwischen einer brauchbaren und einer mittelmäßigen Zusammenfassung. Sieben Schritte: Wrapper raus, Headlines weg, Bullets zu Fließtext, Captions entfernen, Quellenlisten abschneiden, Sprache prüfen, Länge anpassen. Bei lyrischen, dialogischen oder hochstrukturierten Texten kommt jedes extraktive Verfahren an Grenzen, hier hilft nur ein abstraktives Modell.