Hur Google tolkar dina recensioner: En introduktion till sentimentanalys

En titt inuti Googles språkbehandlingsmotor: hur den använder polaritet, aspektextraktion och entitetsigenkänning för att omvandla kundfeedback till rankningsfaktorer, och vad det betyder för ditt företag.

Varje månad skriver Google-användare ungefär en miljard recensioner världen över. Var och en är en bit råtext, en blandning av känslor, fakta, namn och sammanhang. Under större delen av recensionseran, från mitten av 2000-talet till mitten av 2010-talet, var texten mestadels för syns skull. Stjärnbetyget var huvudhändelsen. Orden var bara bakgrundsbrus.

Det har förändrats. Google ökade sina investeringar i naturlig språkbehandling med BERT-modellen 2018. År 2020 analyserade samma transformatorteknik som driver Google Sök lokala recensionssamlingar. Nu är sentimentanalysen av recensionstext inte en extra funktion; den är en del av den grundläggande infrastrukturen. Frågan för företagare är inte längre om denna analys sker, utan hur man ber om recensioner som ger modellerna användbart språk att bearbeta.

Denna artikel förklarar de tekniska lagren. Vi kommer att täcka vad sentimentpolaritet och magnitud betyder, hur aspektbaserad analys skiljer mat från service, varför igenkänning av namngivna entiteter tillför värde till specifika recensioner, och hur vetenskapligt underbyggda uppmaningar kan förbättra kvaliteten på recensioner du får.

Sentimentanalys är ingen stavningskontroll. Den räknar inte bara nyckelord. När Googles NLP-system läser, "Carbonaran var helt enastående – färska ingredienser, perfekt tillagad," ser den inte bara 'enastående' som ett positivt ord. Modellen absorberar hela meningen i sitt sammanhang. Den identifierar ämnet ('carbonara'), räknar ut den kopplade sentimenten (positiv, hög säkerhet), ger en salienspoäng till entiteten (carbonara: 0.74, ett känt menyalternativ), och rullar sedan in dessa signaler i poäng för hela dokumentet och för varje entitet.

Denna praktiska skillnad är enorm. En sentimentpoäng på dokumentnivå ger dig ett nummer, som +0.9. En sentimentpoäng på entitetsnivå berättar att maten fick beröm (carbonara sentiment: +0.85) men väntetiden fick kritik (service sentiment: -0.4). Det är två distinkta, användbara insikter från samma recension.

Polaritet vs. Magnitud: De två nyckeltalen

Alla recensionstexter som bearbetas av Googles Natural Language API får två poäng. Den första, Poäng (eller polaritet), sträcker sig från -1.0 till +1.0 och visar sentimentets riktning. Den andra, Magnitud, är alltid positiv och visar den totala mängden känslor, positiva eller negativa. En recension som 'Fantastisk mat, fruktansvärd service, chockerande väntetid, vacker inredning' kan ha en polaritetspoäng nära 0.0, eftersom de goda och dåliga delarna balanserar ut varandra. Men den kan ha en magnitud på 3.5, vilket visar att recensenten kände starkt för flera saker. Hög magnitud med låg polaritet betyder en blandad recension, inte en neutral.

Detta är viktigt för rankningssystem. En rent faktabaserad kommentar – "Öppnar kl. 9. Parkering på plats. Menyn inkluderar pasta" – kommer att få en polaritet nära 0.0 och en magnitud under 0.3. Den tillför nästan ingen sentimentsignal. Googles algoritmer belönar text som visar verklig åsikt, inte bara katalogliknande information förklädd till en recension.

NLP-flödet för en enskild recension

Den moderna NLP-processen för att analysera recensionstext har fem steg, där varje steg bygger på det föregående.

Resultatet av detta flöde är inte bara en poäng. Det är en strukturerad datakarta över recensionen. Den innehåller namngivna entiteter, deras sentiment, de aspekter de relaterar till, och säkerhetsnivån för varje klassificering. All denna data kan påverka en företagsprofils relevans, kvalitet och auktoritet.

Här är det mest överraskande faktumet om NLP-recensionsanalys: en femstjärnig recension med generisk text kan vara nästan värdelös som rankningsfaktor. Samtidigt kan en fyrstjärnig recension fylld med specifika, mångfacetterade detaljer vara bland de mest värdefulla tillgångarna på din profil.

För att förstå detta, låt oss titta på tre vanliga recensionsmönster och vad språkmodellen ser i dem.

En jämförelse av annoterade recensioner: positiva, blandade och faktabaserade

De tre recensionerna som visas här visar hur sentimenttaggning på ordnivå visar vad modellen faktiskt extraherar. Gröna ord har en positiv signal. Rosa ord har en negativ signal. Neutral text poängsätts men har låg inverkan på sentimentet.

Se motsägelsen: Typ C verkar vara en 'säker' recension, men den späder ut signalstyrkan i din profil. En profil med 50 Typ-C-recensioner och 20 Typ-A-recensioner är mindre kraftfull än en med 40 Typ-A- och 10 Typ-B-recensioner. Det totala antalet är inte nyckelmåttet. Den sentimentviktade signalen är det.

Varför blandade recensioner med hög magnitud fortfarande är hjälpsamma

En populär myt är att kritiska recensioner alltid är skadliga. I NLP-språk erbjuder en blandad recension med högt känslomässigt innehåll och specifika aspektdetaljer något värdefullt: sanning på aspektsnivå. När Googles modell läser 'maten var exceptionell men servicen var likgiltig', får den solid information om två olika kategorier. Matentiteten får en hög poäng, vilket bygger relevans för matrelaterade sökningar. Serviceentiteten får en låg poäng, vilket kan minska synligheten i servicerelaterade sökningar.

För en företagare betyder detta att en kritisk men specifik recension ibland kan vara mer fördelaktig än en vag positiv. Det bästa sättet att hantera en blandad recension är att direkt bemöta den negativa delen i ditt ägarsvar. Detta lägger till mer NLP-läsbart innehåll om det negativa ämnet, vilket signalerar att du har hört feedbacken och avser att åtgärda det.

Aspektbaserad sentimentanalys, eller ABSA, är den typ av analys som speglar hur människor faktiskt läser recensioner. När någon lägger upp en recension på Google eller Yelp, pratar de sällan bara om en sak. De nämner maten, sedan servicen, väntetiden, stämningen och prisvärdheten. Äldre, meningsnivåbaserade sentimentanalysmetoder missar all denna nyans.

Googles system, tillsammans med det akademiska arbete som vägleder dem, har tydligt skiftat mot ABSA. En multilingval ABSA-studie från 2025 i Nature Scientific Reports visade att transformatormodeller som XLM-RoBERTa kunde klassificera recensionssentiment efter aspekt med 91.9% noggrannhet, vilket lätt slog BERT:s 87.8% på restaurangrecensionsdata. Aspekterna som mäts i restaurangrecensionsstudier faller konsekvent inom fyra huvudgrupper.

Vad Google hämtar från recensioner med flera aspekter

För lokala företagsrankningar har signalen på aspektsnivå en tydlig effekt: de ämnen där du får högst poäng är relaterade till de sökningar du visas i. En restaurang med 80% av sina recensioner som positivt nämner 'pasta' och 'carbonara' har en bättre chans att visas för 'bästa carbonara nära mig' än en konkurrent med ett högre totalbetyg men inga specifika menyalternativ nämnda i sina recensioner.

Slutsatsen för din strategi för recensionsförfrågningar är direkt. Att fråga en kund 'Vad tyckte du om ditt besök?' kommer att ge dig det som är överst i tankarna, vilket ofta är en generisk positiv kommentar. Att fråga 'Hur var pastarätten?' eller 'Hur var atmosfären?' vägleder personen att skapa aspektspecifik text som NLP-modellen kan kategorisera med stor säkerhet.

Namngiven entitetsigenkänning (NER) är den del av NLP som hittar specifika personer, platser, produkter och föremål i text och ger dem salienspoäng. En salienspoäng visar hur central den entiteten är för recensionens övergripande budskap – 0.0 betyder att den är i utkanten, medan 1.0 betyder att den är huvudpoängen.

När en kund skriver 'Fråga efter Marcus – han kunde vinlistan perfekt,' hittar NLP-modellen: entitet=Marcus, typ=PERSON, saliens=0.71, sentiment=+0.82. Detta är betydelsefullt av två skäl. För det första kopplar det en anställds namn till positiv servicefeedback. För det andra, och viktigare för företagaren, följer produkt- och tjänstenamn samma logik. 'Hummerbisquen var extraordinär' extraherar entitet=hummerbisque, typ=CONSUMER_GOOD, saliens=0.85, sentiment=+0.9.

Nyckelordskartan för en restaurang med starka recensioner

Ordkartan nedan visar extraherade entiteter, positiva och negativa sentimentord, samt aspekttaggar från en urvalsmängd av 80 recensioner. Notera hur produktnamn (carbonara, Piazza Roma), personnamn (Chef Marco) och platsmarkörer grupperas tillsammans med sentimentord. Detta är den grundläggande substansen i entitets-sentimentmappning.

Lila ord är namngivna entiteter; de har saliensvärden och länkar till externa kunskapsbaser (Googles Kunskapsgraf kan identifiera restauranger, kockar och rätter som ofta dyker upp i recensioner). Gröna ord bär positiv sentiment. Rosa ord bär negativ sentiment. Guldord är signaler för aspektkategorier.

Saliensordningen: Vad som indexeras kontra vad som ignoreras

Inte varje ord i en recension har samma vikt. Googles NLP ger varje ord en roll i meningsstrukturen, och salienspoäng fokuserar på substantivfraser som fungerar som subjekt eller direkt objekt i en sentimentfylld beskrivning. Meningen 'Bruschettan var färsk och generöst portionerad' ger hög saliens till 'bruschetta' eftersom det är det grammatiska subjektet för två beskrivande fraser ('färsk,' 'generöst portionerad'). Meningen 'Den var god' har noll entitetssaliens eftersom subjektet 'den' är ett pronomen som inte refererar till något specifikt.

Den praktiska lärdomen här är att pronomen är återvändsgränder för NLP. Frasen 'det var utsökt' berättar inte för modellen vad som var utsökt. 'Tiramisun var utsökt' ger modellen en entitet (tiramisu) kopplad till en positiv beskrivning. En av dessa recensioner indexerar ett produktnyckelord; den andra gör det inte.

Resan från NLP-analys till en rankningsfaktor är inte en rak linje. Google blandar sentimentinformation med andra lokala faktorer – aktualitet, volym, recensentens auktoritet, svarsfrekvens – för att skapa en kombinerad kvalitetspoäng. Dock har sentimentkvalitet fått större vikt i takt med att NLP-tekniken har utvecklats. En branschrapport från 2025 om Google Maps rankningsfaktorer visade att kvaliteten på recensionstext – inklusive dess specificitet, aspekttäckning och nyckelordstäthet – nu utgör en betydande del av relevansen i konkurrensutsatta lokala områden.

Rankningsmekanismen 'nyckelord i recensioner'

Ett av de tydligaste, mest etablerade sätten som recensionstext påverkar Google Maps-rankningen är genom nyckelordsindexering. Google anger öppet att recensionstext indexeras som innehåll på din företagsprofil. När ett tillräckligt antal recensioner nämner en viss tjänst, produkt eller platsdetalj, blir den signalen starkare. En florist i Seattle med 40 recensioner som nämner 'brudbuketter' kommer att rankas högre för 'bröllopsflorist Seattle' än en konkurrent med 200 vaga recensioner.

Processen är enkel: NLP extraherar entiteter och aspektord från recensioner. Dessa indexeras sedan och associeras med företagets profil. Relevanspoängen för specifika sökningar använder sedan detta indexerade innehåll, utöver företagets egen beskrivning och kategorier. I praktiken fungerar recensionerna som användargenererat, nyckelordsrikt innehåll om ditt företag.

Att veta hur sentimentanalys fungerar är inte bara för akademiker. Det formar direkt hur du bör be om recensioner, vilka ord du använder i din förfrågan och vilken typ av text din profil behöver. Målet är inte att manipulera systemet – det uppfattas som falskt, och Googles egna NLP-modeller kommer att flagga recensionsspråk som är för repetitivt eller enhetligt som ett tecken på bedrägeri. Målet är att uppmuntra verkliga kunder att skriva på ett sätt som skapar värdefulla NLP-signaler.

Tänk på kontrasten mellan att fråga 'Hur var allt?' (vilket ger ett reflexivt, innehållslöst svar) och 'Vad var din favoritdel av middagen ikväll?' (vilket drar fram ett specifikt minne med ett namngivet objekt). Kundens upplevelse är identisk, men NLP-värdet av den resulterande texten är världar ifrån varandra.

Använda aspekt-uppmaningar i recensionsförfrågningar

Den enskilt mest effektiva förändringen du kan göra i din strategi för recensionsförfrågningar är att använda aspekt-uppmaningar. Detta innebär att du strukturerar din förfrågan för att försiktigt uppmuntra kunder att nämna specifika delar av sin upplevelse. Istället för 'Vi skulle uppskatta en recension på Google!', kan du prova 'Skulle du vilja dela med dig av vad du tyckte om [specifik rätt / specifik tjänst / specifik personalmedlem]?'. Detta sår fröet för kunden att skriva om en entitet med en beskrivande fras – det exakta mönstret som NLP-modeller extraherar mest tillförlitligt.

I praktiken är kontaktmetoden viktig. Ett uppföljningsmejl efter en måltid kan fråga: 'Om du fick prova vår nya avsmakningsmeny, skulle vi bli glada att höra dina tankar om ankkonfiten och vinparningen.' Detta introducerar två namngivna entiteter (ankkonfit, vinparning) och två möjliga aspektord (matkvalitet, parning). Inte alla kunder kommer att nämna dem, men tillräckligt många kommer att göra det för att ändra den övergripande profilen för dina recensioner.

Ägarsvar som en källa till sekundärt NLP-innehåll

Ditt svar på en recension är också NLP-läsbart innehåll för din profil. Ett svar som upprepar de specifika positiva punkterna – 'Vi är så glada att carbonaran var en succé för dig' – stärker entitets-sentimentlänken i en andra textbit. Ett svar som hanterar en specifik negativ punkt – 'Vi har sedan dess lagt till mer kökspersonal på fredagskvällar för att minska väntetiderna' – lägger till nytt innehåll om den negativa aspekten, vilket kan uppdatera modellens data om det ämnet.

Svaren måste vara specifika, inte generiska. 'Tack för din recension!' ger noll NLP-signal. 'Tack för att du nämnde avsmakningsmenyn – Kocken Lorenzo tillbringade månader med den parningen' lägger till entitetssignaler (avsmakningsmeny, Kocken Lorenzo) i ett positivt sammanhang. Dessa är två olika typer av innehåll med väldigt olika NLP-värde.

Influencer- och verifierade köprecensioner som kvalitetsreferenser

Här är en ofta förbisedd NLP-faktor: recensioner från konton med höga förtroendepoäng (som Googles Level 5+ Lokala guider) och recensioner som är ovanligt långa och fulla av entiteter kan fungera som kvalitetsreferenser för hela din recensionssamling. När Googles modell hittar en 200-ordsrecension från en betrodd källa som täcker mat, service, atmosfär och pris med flera namngivna entiteter, skapar den en högsäker, mångfacetterad datapunkt. Dessa recensioner har en oproportionerlig inverkan på aspektpoäng i förhållande till deras antal. En 200-ordsrecension från en Level-6 Lokal guide kan bidra mer till din aspektsignal än fem 15-ords generiska recensioner.

Vanliga frågor om hur Googles NLP-sentimentanalys fungerar på recensionstext och vad företagare kan göra.