Hogyan értelmezi a Google az értékeléseit: Bevezetés a hangulatelemzésbe

Pillantás a Google nyelvi feldolgozó motorjába: hogyan használja a polaritást, az aspektuskivonatolást és az entitásfelismerést az ügyfél-visszajelzések rangsorolási tényezőkké alakítására, és mit jelent ez az Ön vállalkozása számára.

Minden hónapban a Google felhasználók körülbelül egymilliárd értékelést írnak világszerte. Mindegyik egy nyers szövegdarab, érzések, tények, nevek és kontextus keveréke. Az értékelési korszak nagy részében, a 2000-es évek közepétől a 2010-es évek közepéig, a szöveg többnyire csak díszítés volt. A csillagbesorolás volt a fő esemény. A szavak csak háttérzaj voltak.

Ez megváltozott. A Google 2018-ban felgyorsította a természetes nyelvi feldolgozásba való befektetéseit a BERT modellel. 2020-ra ugyanaz a transzformer technológia, amely a Google Keresést is működteti, elemezte a helyi értékelési gyűjteményeket. Most az értékelési szövegek hangulatelemzése nem egy extra funkció; ez az alapvető működés része. A vállalkozások számára a kérdés már nem az, hogy megtörténik-e ez az elemzés, hanem az, hogyan kérjenek olyan értékeléseket, amelyek hasznos nyelvet biztosítanak a modellek számára a feldolgozáshoz.

Ez a cikk a technikai rétegeket magyarázza el. Kitérünk arra, hogy mit jelentenek a hangulatpolaritás és a nagyság, hogyan választja szét az aspektus-alapú elemzés az ételt a szolgáltatástól, miért ad hozzá értéket a megnevezett entitásfelismerés a specifikus értékelésekhez, és hogyan javíthatják a tudományosan alátámasztott kérdések a kapott értékelések minőségét.

A hangulatelemzés nem helyesírás-ellenőrző. Nem csak a kulcsszavakat számolja. Amikor a Google NLP rendszere azt olvassa, hogy „A carbonara abszolút kiemelkedő volt – friss alapanyagok, tökéletesen elkészítve”, nem csak az „kiemelkedő” szót látja pozitívként. A modell a teljes mondatot kontextusban értelmezi. Azonosítja az alanyt („carbonara”), kitalálja a hozzá tartozó hangulatot (pozitív, nagy bizonyossággal), salience pontszámot ad az entitásnak (carbonara: 0.74, ismert étlap tétel), majd ezeket a jeleket pontszámokká alakítja az egész dokumentumra és minden entitásra vonatkozóan.

Ez a gyakorlati különbség óriási. Egy dokumentumszintű hangulatpontszám egy számot ad, például +0.9. Egy entitásszintű hangulatpontszám azt mondja, hogy az étel dicséretet kapott (carbonara hangulat: +0.85), de a várakozási idő kritikát váltott ki (szolgáltatás hangulat: -0.4). Ez két különálló, használható betekintés ugyanabból az értékelésből.

Polaritás vs. Nagyság: A két kulcsszám

Minden, a Google Natural Language API által feldolgozott értékelési szöveg két pontszámot kap. Az első, a Pontszám (vagy polaritás), -1.0 és +1.0 között mozog, és a hangulat irányát mutatja. A második, a Nagyság, mindig pozitív, és az érzelem teljes mennyiségét mutatja, legyen az pozitív vagy negatív. Egy olyan értékelés, mint „Csodálatos étel, szörnyű szolgáltatás, sokkoló várakozási idő, gyönyörű dekoráció” közel 0.0 polaritású lehet, mivel a jó és rossz részek kiegyenlítik egymást. De a nagysága 3.5 is lehet, ami azt mutatja, hogy az értékelő több dologról is erősen vélekedett. A magas nagyság alacsony polaritással vegyes, nem semleges értékelést jelent.

Ez fontos a rangsorolási rendszerek számára. Egy tisztán tényközlő megjegyzés – „9 órakor nyit. Parkolás a helyszínen. Az étlapon tészta is szerepel” – közel 0.0 polaritást és 0.3 alatti nagyságot kap. Szinte semmilyen hangulatjelet nem ad hozzá. A Google algoritmusai azokat a szövegeket jutalmazzák, amelyek valódi véleményt mutatnak, nem csak címtár-stílusú információkat, mint értékelést.

Az NLP folyamat egyetlen értékeléshez

Az értékelési szövegek elemzésének modern NLP folyamata öt lépésből áll, amelyek mindegyike az előzőre épül.

Ennek a folyamatnak a kimenete nem csupán egy pontszám. Ez az értékelés strukturált adat térképe. Tartalmazza a megnevezett entitásokat, azok hangulatát, az aspektusokat, amelyekhez kapcsolódnak, és az egyes osztályozások bizonyossági szintjét. Mindez az adat befolyásolhatja egy üzleti profil relevanciáját, minőségét és hitelességét.

Itt van a legmeglepőbb tény az NLP értékeléselemzésről: egy ötcsillagos, általános szöveggel ellátott értékelés szinte haszontalan lehet rangsorolási tényezőként. Eközben egy négycsillagos, specifikus, több szempontú részletekkel teli értékelés a profiljának legértékesebb eszközei közé tartozhat.

Ennek megértéséhez nézzünk meg három gyakori értékelési mintát, és azt, hogy mit lát bennük a nyelvi modell.

Annotált értékelések összehasonlítása: pozitív, vegyes és tényközlő

Az itt bemutatott három értékelés azt mutatja, hogy a szó szintű hangulatcímkézés hogyan mutatja meg, mit is von ki valójában a modell. A zöld szavak pozitív jelet hordoznak. A rózsaszín szavak negatív jelet hordoznak. A semleges szöveg pontozott, de csekély hatással van a hangulatra.

Lásd az ellentmondást: a C típus „biztonságos” értékelésnek tűnik, de felhígítja a profilod jelerejét. Egy olyan profil, amely 50 C típusú és 20 A típusú értékelést tartalmaz, kevésbé hatékony, mint egy olyan, amely 40 A típusú és 10 B típusú értékelést. A teljes szám nem a kulcsfontosságú mérőszám. A hangulattal súlyozott jel a lényeg.

Miért hasznosak mégis a nagy nagyságrendű vegyes értékelések

Népszerű mítosz, hogy a kritikus értékelések mindig károsak. Az NLP nyelvében egy vegyes értékelés, amely magas érzelmi tartalommal és specifikus aspektus részletekkel rendelkezik, valami értékeset kínál: aspektusszintű igazságot. Amikor a Google modellje azt olvassa, hogy „az étel kivételes volt, de a szolgáltatás közömbös”, szilárd információkat kap két különböző kategóriáról. Az étel entitás magas pontszámot kap, ami növeli az étellel kapcsolatos keresések relevanciáját. A szolgáltatás entitás alacsony pontszámot kap, ami csökkentheti a láthatóságot a szolgáltatással kapcsolatos keresésekben.

Egy vállalkozó számára ez azt jelenti, hogy egy kritikus, de specifikus értékelés néha előnyösebb lehet, mint egy homályos pozitív. A vegyes értékelések kezelésének legjobb módja, ha a tulajdonosi válaszban közvetlenül foglalkozik a negatív résszel. Ez több NLP-olvasható tartalmat ad hozzá az adott negatív témához, jelezve, hogy meghallotta a visszajelzést és szándékában áll kijavítani.

Az aspektus-alapú hangulatelemzés, vagy ABSA, az a fajta elemzés, amely tükrözi, ahogyan az emberek valójában olvassák az értékeléseket. Amikor valaki értékelést tesz közzé a Google-on vagy a Yelpen, ritkán beszél csak egy dologról. Megemlítik az ételt, majd a szolgáltatást, a várakozást, a hangulatot és az ár-érték arányt. Az idősebb, mondatszintű hangulatelemzési módszerek mindezt a nüanszot kihagyják.

A Google rendszerei, valamint az őket irányító tudományos munka, határozottan az ABSA felé mozdultak el. Egy 2025-ös többnyelvű ABSA tanulmány a Nature Scientific Reports-ban kimutatta, hogy az XLM-RoBERTa-hoz hasonló transzformer modellek 91.9%-os pontossággal tudták osztályozni az értékelések hangulatát aspektusok szerint, könnyedén felülmúlva a BERT 87.8%-os eredményét éttermi értékelési adatokon. Az éttermi értékelési tanulmányokban mért aspektusok következetesen négy fő csoportba sorolhatók.

Amit a Google kinyer a több szempontú értékelésekből

A helyi vállalkozások rangsorolásánál az aspektusszintű jelzésnek egyértelmű hatása van: azok a témák, amelyekben a legmagasabb pontszámot éri el, kapcsolódnak azokhoz a keresésekhez, amelyekben megjelenik. Egy étterem, amelynek értékeléseinek 80%-a pozitívan említi a 'tésztát' és a 'carbonarát', nagyobb eséllyel jelenik meg a 'legjobb carbonara a közelemben' keresésnél, mint egy rivális, amelynek magasabb az általános értékelése, de az értékeléseiben nincsenek specifikus étlap tételek említve.

Az értékelési kérés stratégiájára vonatkozó tanulság közvetlen. Ha megkérdezi egy ügyféltől, hogy „Hogy tetszett a látogatása?”, akkor azt kapja, ami éppen eszébe jut, ami gyakran egy általános pozitív megjegyzés. Ha azt kérdezi, hogy „Milyen volt a tésztaétel?” vagy „Milyen volt a hangulat?”, akkor arra ösztönzi az illetőt, hogy aspektus-specifikus szöveget hozzon létre, amelyet az NLP modell nagy bizalommal tud kategorizálni.

A megnevezett entitásfelismerés (NER) az NLP azon része, amely specifikus embereket, helyeket, termékeket és elemeket talál a szövegben, és salience pontszámokat ad nekik. A salience pontszám azt mutatja, hogy az entitás mennyire központi az értékelés általános üzenetében – a 0.0 azt jelenti, hogy a periférián van, míg az 1.0 azt, hogy ez a fő pont.

Amikor egy ügyfél beírja, hogy „Kérje Marcust – tökéletesen ismerte a borlapot”, az NLP modell a következőket találja: entitás=Marcus, típus=SZEMÉLY, salience=0.71, hangulat=+0.82. Ez két okból is jelentős. Először is, összekapcsolja egy munkatárs nevét a pozitív szolgáltatási visszajelzéssel. Másodszor, és ami még fontosabb a vállalkozó számára, a termék- és szolgáltatásnevek ugyanazt a logikát követik. „A homár bisque rendkívüli volt” kinyeri az entitás=homár bisque, típus=FOGYASZTÁSI_CIKK, salience=0.85, hangulat=+0.9 adatokat.

Egy erős értékelésekkel rendelkező étterem kulcsszótérképe

Az alábbi szótérkép kivont entitásokat, pozitív és negatív hangulatú szavakat, valamint aspektuscímkéket mutat egy 80 értékelésből álló mintahalmazból. Figyelje meg, hogy a terméknevek (carbonara, Piazza Roma), személynevek (Marco séf) és helyjelzők hogyan csoportosulnak a hangulatot kifejező szavakkal. Ez az entitás-hangulat leképezés alapvető anyaga.

A lila szavak megnevezett entitások; salience értékkel rendelkeznek, és külső tudásbázisokhoz kapcsolódnak (a Google Tudásgráfja képes azonosítani az éttermeket, séfeket és ételeket, amelyek gyakran megjelennek az értékelésekben). A zöld szavak pozitív hangulatot hordoznak. A rózsaszín szavak negatív hangulatot hordoznak. Az arany szavak aspektuskategóriák jelzései.

A Salience rangsor: Mi kerül indexelésre és mi marad figyelmen kívül

Nem minden szónak van azonos súlya egy értékelésben. A Google NLP-je minden szónak szerepet ad a mondatszerkezetben, és a salience pontszámok azokra a főnévi kifejezésekre összpontosítanak, amelyek egy hangulattal teli leírás alanyai vagy tárgyai. A „A bruschetta friss volt és bőségesen adagolták” mondat magas salience-t ad a „bruschetta”-nak, mert az két leíró kifejezés („friss”, „bőségesen adagolták”) nyelvtani alanya. Az „Jó volt” mondatnak nulla entitás salience-je van, mert az „az” alany egy névmás, amely nem utal semmi specifikusra.

A gyakorlati tanulság itt az, hogy a névmások zsákutcák az NLP számára. Az „finom volt” kifejezés nem mondja meg a modellnek, mi volt finom. A „A tiramisu finom volt” entitást (tiramisu) ad a modellnek, amely pozitív leíráshoz kapcsolódik. Ezen értékelések közül az egyik indexel egy termékkulcsszót; a másik nem.

Az NLP elemzéstől a rangsorolási tényezőig vezető út nem egyenes. A Google a hangulati információkat más helyi tényezőkkel – frissesség, mennyiség, értékelő tekintélye, válaszadási arány – ötvözi, hogy kombinált minőségi pontszámot hozzon létre. Azonban a hangulat minősége nagyobb súlyt kapott, ahogy az NLP technológia fejlődött. Egy 2025-ös iparági jelentés a Google Térkép rangsorolási tényezőiről kimutatta, hogy az értékelési szöveg minősége – beleértve annak specifikusságát, aspektuslefedettségét és kulcsszósűrűségét – mostantól jelentős részét képezi a relevanciának a versenyképes helyi területeken.

Az 'értékelésekben szereplő kulcsszó' rangsorolási mechanizmus

Az egyik legvilágosabb, leginkább megalapozott módja annak, hogy az értékelési szöveg befolyásolja a Google Térkép rangsorát, a kulcsszó-indexelés. A Google nyíltan kijelenti, hogy az értékelési szöveg tartalomként indexelődik a Cégprofilján. Amikor elegendő számú értékelés említ egy bizonyos szolgáltatást, terméket vagy helyszín részletet, ez a jelzés erősebbé válik. Egy seattle-i virágüzlet, amelynek 40 értékelése említi a 'menyasszonyi csokrokat', magasabban fog rangsorolni a 'menyasszonyi virágüzlet Seattle' keresésnél, mint egy versenytárs, amelynek 200 homályos értékelése van.

A folyamat egyszerű: az NLP kinyeri az entitásokat és aspektusszavakat az értékelésekből. Ezeket ezután indexelik és társítják a vállalkozás profiljával. A specifikus keresések relevancia pontszáma ezután ezt az indexelt tartalmat használja, a vállalkozás saját leírása és kategóriái mellett. Valójában az értékelések felhasználó által létrehozott, kulcsszóban gazdag tartalomként szolgálnak az Ön vállalkozásáról.

A hangulatelemzés működésének ismerete nem csak az akadémikusoknak szól. Közvetlenül befolyásolja, hogyan kérjen értékeléseket, milyen szavakat használjon a kérésében, és milyen szövegre van szüksége a profiljának. A cél nem a rendszer kijátszása – az hamisnak tűnik, és a Google saját NLP modelljei csalás jelzéseként fogják megjelölni a túl ismétlődő vagy egységes értékelési nyelvezetet. A cél az, hogy ösztönözze a valódi ügyfeleket arra, hogy olyan módon írjanak, amely értékes NLP jeleket hoz létre.

Gondolja át a különbséget aközött, hogy megkérdezi: „Minden rendben volt?” (ami reflexszerű, tartalom nélküli választ eredményez) és aközött, hogy „Mi volt a kedvenc része a mai vacsorának?” (ami egy specifikus emléket idéz fel egy megnevezett tétellel). Az ügyfél élménye azonos, de az eredményül kapott szöveg NLP értéke ég és föld.

Aspektus-ösztönzés használata az értékelési kérésekben

Az egyetlen leghatékonyabb változtatás, amit tehet az értékelési kérés stratégiájában, az aspektus-ösztönzés használata. Ez azt jelenti, hogy úgy strukturálja a kérését, hogy finoman arra ösztönözze az ügyfeleket, hogy élményük bizonyos részeit említsék meg. A „Nagyra értékelnénk egy Google értékelést!” helyett megpróbálhatja: „Megosztaná velünk, mit gondolt [specifikus ételről / specifikus szolgáltatásról / specifikus munkatársról]?”. Ez elülteti a magot az ügyfélben, hogy egy entitásról írjon egy leíró kifejezéssel – pontosan azt a mintát, amelyet az NLP modellek a legmegbízhatóbban vonnak ki.

A gyakorlatban a kapcsolatfelvétel módja fontos. Egy étkezés utáni utólagos e-mailben megkérdezhetné: „Ha kipróbálta az új kóstolómenünket, örömmel hallanánk a kacsamellről és a borpárosításról alkotott véleményét.” Ez két megnevezett entitást (kacsamell, borpárosítás) és két lehetséges aspektusszót (ételminőség, párosítás) vezet be. Nem minden ügyfél fogja megemlíteni őket, de elegen igen ahhoz, hogy megváltoztassák az értékelések általános profilját.

A tulajdonosi válaszok mint másodlagos NLP tartalomforrás

Az értékelésre adott válasza szintén NLP-olvasható tartalom a profiljához. Egy olyan válasz, amely megismétli a specifikus pozitív pontokat – „Nagyon örülünk, hogy a carbonara ízlett Önnek” – megerősíti az entitás-hangulat kapcsolatot egy második szövegdarabban. Egy olyan válasz, amely egy specifikus negatívumot kezel – „Azóta több konyhai személyzetet vettünk fel péntek estékre, hogy csökkentsük a várakozási időt” – új tartalmat ad hozzá ehhez a negatív aspektushoz, ami frissítheti a modell adatait az adott témáról.

A válaszoknak specifikusnak kell lenniük, nem általánosnak. A „Köszönjük az értékelését!” nulla NLP jelet ad. A „Köszönjük, hogy kiemelte a kóstolómenüt – Lorenzo séf hónapokat töltött a párosítással” entitásjeleket (kóstolómenü, Lorenzo séf) ad hozzá pozitív kontextusban. Ez két különböző típusú tartalom, amelyeknek drámaian eltérő az NLP értéke.

Influencer és ellenőrzött vásárlói értékelések mint minőségi benchmarkok

Itt van egy gyakran figyelmen kívül hagyott NLP tényező: a magas bizalmi pontszámmal rendelkező fiókoktól (például a Google 5+ szintű helyi idegenvezetői) származó értékelések, valamint a szokatlanul hosszú és entitásokkal teli értékelések minőségi benchmarkként szolgálhatnak az egész értékelési gyűjteményéhez. Amikor a Google modellje egy 200 szavas értékelést talál egy megbízható forrásból, amely ételt, szolgáltatást, hangulatot és árat fed le több megnevezett entitással, az egy nagy bizalmú, sokoldalú adatpontot hoz létre. Ezek az értékelések aránytalanul nagy hatással vannak az aspektus pontszámokra a számukhoz képest. Egy 200 szavas értékelés egy 6. szintű helyi idegenvezetőtől többet adhat az aspektus jelzéséhez, mint öt 15 szavas általános értékelés.

Gyakori kérdések arról, hogyan működik a Google NLP hangulatelemzése az értékelési szövegeken, és mit tehetnek a vállalkozók.