{"id":32135,"date":"2026-01-21T08:03:51","date_gmt":"2026-01-21T08:03:51","guid":{"rendered":"https:\/\/lamarr-institute.org\/?post_type=blog&#038;p=32135"},"modified":"2026-01-21T09:29:54","modified_gmt":"2026-01-21T09:29:54","slug":"stream-learning-grundlagen","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/stream-learning-grundlagen\/","title":{"rendered":"Lernen aus Datenstr\u00f6men: Grundlagen des Stream Learning"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">In den meisten Szenarien des maschinellen Lernens gehen wir von derselben Pr\u00e4misse aus: Wir haben einen Datensatz \u2013 beispielsweise eine Tabelle mit Bildern und deren Beschriftungen \u2013 und k\u00f6nnen ihn so oft betrachten, wie wir m\u00f6chten. Wir k\u00f6nnen ihn mischen, aufteilen, normalisieren, ein Modell trainieren, es bewerten, neu trainieren \u2026 ganz nach Belieben. Das k\u00f6nnte man als <em>Batch<em> machine learning<\/em><\/em> bezeichnen. Aber was passiert, wenn st\u00e4ndig neue Daten hinzukommen? Wenn man nicht den Luxus hat, seine Daten mehrmals durchzugehen, weil sie st\u00e4ndig in Echtzeit generiert werden? Willkommen beim <em>Data Stream Mining<\/em> \u2013 auch bekannt als <em>Stream Learning<\/em>, <em><em>Online Machine Learning<\/em><\/em> oder <em>Inkrementelles Lernen<\/em>.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Von Batches zu Streams<\/h2>\n\n\n<style>.kb-image32135_1557a5-37 .kb-image-has-overlay:after{opacity:0.3;}<\/style>\n<figure class=\"wp-block-kadence-image kb-image32135_1557a5-37 size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"1000\" height=\"667\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/1_Fig_Batch-Learning_VS_Stream_Learning.png\" alt=\"Graphic to demonstrate the difference between Batch-Learning and Stream Learning\" class=\"kb-img wp-image-32075\" title=\"\" srcset=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/1_Fig_Batch-Learning_VS_Stream_Learning.png 1000w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/1_Fig_Batch-Learning_VS_Stream_Learning-300x200.png 300w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/1_Fig_Batch-Learning_VS_Stream_Learning-768x512.png 768w\" sizes=\"auto, (max-width: 1000px) 100vw, 1000px\" \/><figcaption>Abbildung 1: Batch-Learning vs. Stream Learning \u00a9 Dr. Sebastian Buschj\u00e4ger \/ Lamarr-Institut<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Beim typischen (Batch) Machine Learning beginnt man mit einem festen Datensatz. Man k\u00f6nnte beispielsweise ein Modell trainieren, um Katzen und Hunde in Bildern zu erkennen, handgeschriebene Ziffern zu erkennen oder Text zu generieren, um Fragen zu beantworten. Man kann wiederholt auf diese Daten zugreifen, das Modell optimieren und es so oft wie n\u00f6tig bewerten. Sobald man fertig ist, setzt man das Modell ein \u2013 und das war&#8217;s. Beim Stream Learning kommen die Daten kontinuierlich an. Man hat nicht alle Daten auf einmal und kann jeden Datenpunkt m\u00f6glicherweise nur einmal betrachten, bevor er verloren geht. Modelle m\u00fcssen spontan lernen und sich anpassen, oft unter begrenzten Rechen- oder Speicherbedingungen. Das klingt zwar unn\u00f6tig kompliziert, aber es gibt Beispiele f\u00fcr Stream Mining aus der Praxis:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Beispiel 1 \u2013 Echtzeit-Sensordaten: <\/strong>Man stelle sich einen Temperatursensor in einem Automotor vor. Er misst die Temperatur hunderte Male pro Sekunde. Wenn der Sensor eine \u00dcberhitzung feststellt, muss das K\u00fchlsystem sofort reagieren, und es ist keine Option, mit der Analyse der Daten des gesamten Tages zu warten. Hier werden Daten schneller produziert, als sie gespeichert oder verarbeitet werden k\u00f6nnen. Es bedarf also Algorithmen und Modelle, die schnelle und zuverl\u00e4ssige Entscheidungen treffen k\u00f6nnen, sobald Daten eintreffen \u2013 oft auf kleinen Systemen mit begrenzten Ressourcen.<\/li>\n\n\n\n<li><strong>Beispiel 2 \u2013 Modelle auf dem neuesten Stand halten:<\/strong> Nehmen wir nun gro\u00dfe Sprachmodelle (LLMs) wie ChatGPT. Nach etwa sechs Monaten ist ihr Wissen \u00fcber die Welt, das in den urspr\u00fcnglichen Trainingsdaten erfasst wurde, bereits veraltet, da neue Ereignisse eintreten. Das gesamte Modell von Grund auf neu zu trainieren, w\u00fcrde enorme Rechenressourcen erfordern. Ein besserer Ansatz ist es, das Modell kontinuierlich mit neuen Informationen zu aktualisieren, um so ein inkrementelles, lebenslanges Lernen zu erm\u00f6glichen.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Beide Beispiele verdeutlichen, warum Stream Learning immer wichtiger wird: Daten wachsen schneller als unsere F\u00e4higkeit, sie zu speichern und neu zu trainieren. Leser, die mit Zeitreihenprognosen vertraut sind, werden bereits einige \u00dcberschneidungen zwischen beiden Forschungsrichtungen erkennen, da beide Szenarien sich mit Daten befassen, die sich im Laufe der Zeit weiterentwickeln. Bei Prognosen liegt der Schwerpunkt jedoch in der Regel auf der Vorhersage zuk\u00fcnftiger numerischer Werte (wie der Temperatur von morgen), wobei h\u00e4ufig Regressionsmodelle verwendet werden, die f\u00fcr eindimensionale Zeitreihen entwickelt wurden. Stream Learning hingegen ist breiter angelegt: Es kann tabellarische Daten, Texte oder Bilder umfassen und Aufgaben wie Klassifizierung, Clustering und Anomalieerkennung bew\u00e4ltigen \u2013 nicht nur Regression. Diese kontinuierliche Ein-Durchlauf-Einstellung ist die Kernidee hinter Echtzeit-Maschinellem Lernen und Online-Lernsystemen, bei denen sich Modelle sofort anpassen m\u00fcssen, sobald neue Daten eintreffen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Eine (vereinfachte) formale Betrachtung<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Um die Herausforderungen des Stream Data Mining besser zu verstehen, wollen wir die Unterscheidung zwischen Batch- und Stream-Lernen etwas formeller gestalten. Beim \u00fcberwachten Batch-Lernen gehen wir davon aus, dass die Daten aus einer einzigen, stabilen Verteilung stammen, aus der wir $N$ Stichproben in einem Datensatz $D = {(x\u1d62, y\u1d62) ~ \u0398 | i = 1, &#8230;. N}$ sammeln. Dieser Datensatz kann dann zum Trainieren unseres Modells $f:X\u2192Y$ verwendet werden, indem eine Verlustfunktion minimiert wird:<\/p>\n\n\n\n<p class=\"has-text-align-center wp-block-paragraph\">${arg\\,min} E_{x,y \\sim \\Theta}[\\ell(f(x), y)]$<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das bedeutet, dass wir versuchen, die Funktion $f$ zu finden, die f\u00fcr diese eine feste Datenverteilung <em>im Durchschnitt<\/em> die beste Leistung erbringt. Beim Stream Learning kann sich die Datenverteilung jedoch im Laufe der Zeit \u00e4ndern. Wir k\u00f6nnen uns eine Folge von Verteilungen $(\u0398\u209c\u1d62, \u2026), t\u1d62 = 1\u2026, T$ vorstellen, wobei $T$ potenziell sehr gro\u00df oder sogar unendlich sein kann. Unsere Daten sehen nun wie folgt aus: $D = {(x\u1d62, y\u1d62, t\u1d62) | (x\u1d62, y\u1d62)~ \u0398\u209c\u1d62, i = 1, \u2026.}$, wobei $t$ der Zeitpunkt ist, zu dem wir eine Stichprobe erhoben haben. Nun versuchen wir, ein Modell $f$ zu finden, das <em>\u00fcber die Zeit hinweg<\/em> gute Ergebnisse liefert:<\/p>\n\n\n\n<p class=\"has-text-align-center wp-block-paragraph\">$\\arg \\min_f \\sum_{i=1}^T \\mathbb{E}_{x,y \\sim \\Theta_i} \\ell(f(x), y)$<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dieser Wechsel von einem einzigen, festen Datensatz zu einer sich entwickelnden Abfolge von Verteilungen ist es, was Data Stream Mining und Online-ML grundlegend vom traditionellen maschinellen Lernen unterscheidet. Mit anderen Worten: Anstatt aus einer Welt (d. h. einer Verteilung) zu lernen, die sich nie ver\u00e4ndert, muss das Modell mit einer sich entwickelnden Welt Schritt halten. Das macht Stream Learning so herausfordernd.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wichtige Konzepte<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Diese einfache Idee, von einem festen Satz von Datenpunkten zu Datenpunkten \u00fcberzugehen, die sich im Laufe der Zeit \u00e4ndern k\u00f6nnen, hat einen gro\u00dfen Einfluss darauf, wie wir das Lernen in diesem Szenario angehen k\u00f6nnen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Das \u201eTest-Then-Train\u201d-Prinzip<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Beim <em>Batch Machine Learning<\/em> teilen wir unseren Datensatz in der Regel in Trainings-, Validierungs- und Tests\u00e4tze auf. In Streaming-Szenarien kommen jedoch st\u00e4ndig neue Daten hinzu, sodass es keine klare Grenze zwischen Training und Testen gibt. Stattdessen verwendet das <em>Stream Learning<\/em> das \u201eTest-Then-Train\u201d-Protokoll:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Wenn ein neuer Datenpunkt eintrifft, erstellt das Modell zun\u00e4chst eine Vorhersage.<\/li>\n\n\n\n<li>Sobald die tats\u00e4chliche Kennzeichnung verf\u00fcgbar ist, messen wir den Fehler und aktualisieren das Modell anhand dieser Informationen.<\/li>\n<\/ol>\n\n\n<style>.kb-image32135_26be0b-e4 .kb-image-has-overlay:after{opacity:0.3;}<\/style>\n<figure class=\"wp-block-kadence-image kb-image32135_26be0b-e4 size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"1000\" height=\"667\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/2_Fig_Test-then-train-principle.png\" alt=\"formula for the test then train principle\" class=\"kb-img wp-image-32108\" title=\"\" srcset=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/2_Fig_Test-then-train-principle.png 1000w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/2_Fig_Test-then-train-principle-300x200.png 300w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/2_Fig_Test-then-train-principle-768x512.png 768w\" sizes=\"auto, (max-width: 1000px) 100vw, 1000px\" \/><figcaption>Abbildung 2: Formel f\u00fcr das &#8222;Test-Then-Train&#8220;-Prinzip \u00a9 Dr. Sebastian Buschj\u00e4ger \/ Lamarr-Institut<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Dies hat zwei wichtige Konsequenzen:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Kaltstart: <\/strong>Das Modell muss Vorhersagen treffen, noch bevor es Daten gesehen hat! Fr\u00fche Vorhersagen sind wahrscheinlich ungenau, aber diese Phase ist Teil des Lernprozesses. Diese Bewertungsstrategie ist Standard bei der Online-Klassifizierung, wo Modelle oft unter strengen Latenzbedingungen Vorhersagen treffen m\u00fcssen.<\/li>\n\n\n\n<li><strong>Einfache Basislinien:<\/strong> Eine \u00fcberraschend starke Basislinie bei vielen Aufgaben ist der Last-Value-Predictor, der einfach den zuletzt beobachteten Wert vorhersagt. Betrachten wir zum Beispiel die t\u00e4gliche Temperatur: Obwohl pl\u00f6tzliche Spr\u00fcnge m\u00f6glich sind und sich das Wetter im Laufe der Jahreszeiten \u00e4ndert, sind die Temperaturen an aufeinanderfolgenden Tagen in der Regel \u00e4hnlich. Daher ist eine einfache, aber effektive Basislinie die Vorhersage des vorherigen Wertes im Datenstrom.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Konzeptdrift<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Da sich die Datenverteilung im Laufe der Zeit ver\u00e4ndert, m\u00fcssen sich Modelle an diese sogenannten Konzeptdrifts anpassen \u2013 eine zentrale Herausforderung beim Stream Learning, beim Online-Maschinellen Lernen und bei der Echtzeitanalyse. Eine Konzeptdrift ist eine Ver\u00e4nderung in den Daten und kann entweder in den Daten $x$ selbst, in den entsprechenden Labels $y$ oder in beiden gleichzeitig auftreten. Wenn beispielsweise ein Sensor in einem Automotor pl\u00f6tzlich viel h\u00f6here Werte als erwartet meldet, kann es zu einer Drift im Datenraum kommen. Wenn jedoch ein neuer Automotor auf den Markt kommt, der h\u00f6heren Temperaturen standh\u00e4lt, k\u00f6nnen sich die potenziellen Klassen \u00e4ndern. Diese Drifts k\u00f6nnen pl\u00f6tzlich (ein abruptes Ereignis) oder allm\u00e4hlich (ein langsamer Trend) auftreten. Das Erkennen und Anpassen an Drifts ist eine der zentralen Forschungsherausforderungen im Bereich Data Stream Mining. Der effektive Umgang mit Drifts erm\u00f6glicht es inkrementellen Lernalgorithmen, auch bei einer Weiterentwicklung der zugrunde liegenden Daten genau zu bleiben.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Saisonalit\u00e4t<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Nicht alle Ver\u00e4nderungen sind v\u00f6llig unerwartet, da sich einige Muster wiederholen. Diese wiederkehrenden Konzepte werden als saisonale Effekte bezeichnet. Denken Sie noch einmal an die Temperaturdaten: Die Tagestemperatur durchl\u00e4uft nat\u00fcrlich einen Zyklus aus Winter, Fr\u00fchling, Sommer und Herbst. Ein gut konzipiertes Stream-Modell sollte ber\u00fccksichtigen, dass solche Zyklen auch nach monatelanger Abwesenheit wiederkehren. Diese wiederkehrenden Muster sind auch f\u00fcr das Online-Zeitreihenlernen von entscheidender Bedeutung, bei dem Modelle ein Gleichgewicht zwischen kurzfristiger Anpassung und Langzeitged\u00e4chtnis finden m\u00fcssen, spielen aber auch beim Stream Mining und beim Online-Lernen im Allgemeinen eine \u00e4hnliche Rolle.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Fassen wir zusammen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Beim Data Stream Mining geht es darum, mit einem nie endenden Informationsfluss umzugehen: kontinuierlich zu lernen, schnell zu reagieren und sich an Ver\u00e4nderungen anzupassen. Ob es sich nun um ein selbstfahrendes Auto handelt, das Sensordaten verarbeitet, um ein Betrugserkennungssystem, das Transaktionen \u00fcberwacht, oder um ein Modell, das sich selbst mit den neuesten Nachrichten auf dem Laufenden h\u00e4lt \u2013 die Prinzipien sind dieselben:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Jeden Datenpunkt einmal sehen.<\/li>\n\n\n\n<li>Im Laufe der Zeit lernen.<\/li>\n\n\n\n<li>Und sich an eine sich st\u00e4ndig ver\u00e4ndernde Welt anpassen.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Letztendlich bildet Stream Learning das R\u00fcckgrat moderner Echtzeit-Anwendungen f\u00fcr Maschinelles Lernen und erm\u00f6glicht eine kontinuierliche Anpassung ohne vollst\u00e4ndiges Umschulung.<br><br>In den n\u00e4chsten Beitr\u00e4gen werden wir uns damit besch\u00e4ftigen, wie Algorithmen das schaffen und warum manche Ans\u00e4tze robuster sind als andere. Also bleibt dran f\u00fcr jede Menge neue Infos und macht euch keine Sorgen wegen der mathematischen Formeln. Das wird alles klarer, wenn wir diese Konzepte in Aktion sehen!<\/p>\n\n\n<style>.wp-block-kadence-spacer.kt-block-spacer-32135_e50c3b-69 .kt-block-spacer{height:60px;}.wp-block-kadence-spacer.kt-block-spacer-32135_e50c3b-69 .kt-divider{border-top-width:1px;height:1px;border-top-color:#eee;width:80%;border-top-style:solid;}<\/style>\n<div class=\"wp-block-kadence-spacer aligncenter kt-block-spacer-32135_e50c3b-69\"><div class=\"kt-block-spacer kt-block-spacer-halign-center\"><hr class=\"kt-divider\"\/><\/div><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">FAQ: Data Stream Mining, Online-Lernen &amp; Konzeptdrift<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Was ist Data Stream Mining?<\/strong><br>Data Stream Mining ist der Prozess der Anwendung von maschinellem Lernen auf kontinuierlich eintreffende Daten. Im Gegensatz zum Batch Learning k\u00f6nnen Daten nicht gespeichert oder erneut aufgerufen werden, sodass Modelle schrittweise und in Echtzeit lernen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Wie unterscheidet sich Stream Learning vom Online-Maschinellen Lernen?<\/strong><br>Im Wesentlichen sind sie gleich: Beide beziehen sich auf Modelle, die kontinuierlich aktualisiert werden, sobald neue Daten eingehen. \u201eStream Learning\u201d betont die Datenquelle (einen Stream), w\u00e4hrend \u201eOnline-Maschinelles Lernen\u201d den Lernprozess betont.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Was ist Konzeptdrift?<\/strong><br>Konzeptdrift bezieht sich auf eine Ver\u00e4nderung der statistischen Eigenschaften des Datenstroms im Laufe der Zeit. Drift kann Merkmale, Labels oder beides beeinflussen \u2013 und Modelle m\u00fcssen sich schnell anpassen, um ihre Genauigkeit zu bewahren.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Warum k\u00f6nnen wir Modelle nicht einfach mit allen Daten neu trainieren?<\/strong><br>Bei schnellen oder unendlichen Datenstr\u00f6men ist es unm\u00f6glich, alle Daten zu speichern. Das erneute Training ist zu langsam und rechenintensiv. Inkrementelle Lernalgorithmen aktualisieren das Modell in Millisekunden, sobald Daten eintreffen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Wo wird Online- oder Streaming-ML in der Praxis eingesetzt?<\/strong><br>Typische Anwendungsf\u00e4lle sind Sensor\u00fcberwachung, Betrugserkennung, adaptive Empfehlungssysteme und Echtzeitprognosen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Weiterf\u00fchrende Literatur<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li>&nbsp;Adaptive Stream Mining: Pattern Learning and Mining from Evolving Data Streams by Albert Bifet: <a href=\"https:\/\/ebooks.iospress.nl\/volume\/adaptive-stream-mining-pattern-learning-and-mining-from-evolving-data-streams\" target=\"_blank\" rel=\"noopener\">https:\/\/ebooks.iospress.nl\/volume\/adaptive-stream-mining-pattern-learning-and-mining-from-evolving-data-streams<\/a><\/li>\n\n\n\n<li>Knowledge Discovery from Data Streams by Joao Gama: <a href=\"https:\/\/www.routledge.com\/Knowledge-Discovery-from-Data-Streams\/Gama\/p\/book\/9781439826119\" target=\"_blank\" rel=\"noopener\">https:\/\/www.routledge.com\/Knowledge-Discovery-from-Data-Streams\/Gama\/p\/book\/9781439826119<\/a><\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"<p>Daten str\u00f6men ununterbrochen \u2013 wie k\u00f6nnen Modelle da mithalten? Dieser erste Beitrag stellt Stream Learning, Konzeptdrift und Echtzeitanpassung f\u00fcr sich st\u00e4ndig weiterentwickelnde Datenstr\u00f6me vor.<\/p>\n","protected":false},"author":16,"featured_media":32117,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,390,1659],"blog-tag":[1477,1555,1621],"class_list":["post-32135","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-grundlagen","blog-category-stream-mining","blog-tag-data-science-de","blog-tag-modelle","blog-tag-zeitreihen"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/32135","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/16"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/32135\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/32117"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=32135"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=32135"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=32135"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}