Recensionsmångfald: Hur 50 unika recensioner rankar högre än 200 identiska

Googles språkmodeller räknar inte bara recensioner; de analyserar dem. Enhetligt språk, konsekventa längder och demografiskt klustrade recensenter utlöser alla varningssignaler för avvikelser. Detta är vetenskapen bakom varför variation är det mest pålitliga tecknet på en äkta företagsprofil.

Tänk dig detta scenario, som lokala SEO-experter använder för att utmana sina kunders antaganden. Föreställ dig två bagerier på samma kvarter. Det första har 200 Google-recensioner, alla fem stjärnor, och varje recension säger något i stil med "bra tårta, bra personal, skulle rekommendera." Det andra bageriet har 52 recensioner. Vissa är fyra stjärnor, ett par är tre. Språket varierar från "mandelcroissanten var en religiös upplevelse" till "okej kaffe, gör jobbet" till "så glad att de har veganska scones." Vilket företag anser Google vara mer trovärdigt? Svaret, som stöds av en betydande mängd NLP-forskning och patentanalys, är nästan alltid det andra. Det är inte så att Google har problem med positiva recensioner. Det är att Googles system är utformade för att hitta mönster, och mönster är grunden för säljare av falska recensioner.

Idén i detta är lexikalisk mångfald. Inom beräkningslingvistik avser denna term en mätning av unika ord jämfört med det totala antalet ord i en textmassa. Om ett företags recensioner läser som om en person skrev dem alla med en synonymordbok, sjunker mångfaldspoängen. En kollapsande mångfaldspoäng är en av de mest pålitliga indikatorerna i spamdetekteringslitteraturen att en samling recensioner inte är äkta.

Detta är inte bara en teori. I sin transparensrapport för 2024 uppgav Google att de hade blockerat eller tagit bort över 240 miljoner recensioner som bröt mot deras policyer. Denna ökning berodde främst på automatiserade detektionssystem baserade på NLP. Programvaran som utför detta arbete räknar inte bara dina recensioner; den läser dem, jämför dem med varandra och poängsätter deras statistiska egenskaper.

Googles system för att utvärdera recensioner har flera lager. Det översta lagret, som inkluderar stjärnbetyg och omnämnanden av nyckelord, är vad de flesta SEO-artiklar fokuserar på. Men ett mycket mer komplext system fungerar under ytan, ett som har beskrivits i patentdokument som går tillbaka till åtminstone 2017.

En amerikansk patentansökan, US20170221111A1, inlämnad av forskare som fokuserar på att upptäcka recensionsspam, beskriver ett system som sorterar recensionssignaler i två grupper: beteendebaserade funktioner (som publiceringshastighet, kontoålder och plötsliga utbrott av recensioner) och innehållslikhetsfunktioner. Innehållslikhetslagret använder en parvis cosinuslikhetsanalys för att hitta recensioner som använder liknande språkmönster, även om formuleringen inte är identisk. Två recensioner behöver inte vara kopior för att få en misstänkt hög likhetspoäng. De behöver bara hämta från samma ordpool.

Den matematiska betydelsen som ges till varje signal bestäms av vad patentet kallar "meta-path analysis." Detta räknar i huvudsak hur många statistiska länkar som finns mellan flaggade recensioner. En grupp recensioner med hög cosinuslikhet, publicerade ungefär samtidigt, från konton med liten aktivitetshistorik kommer att få en kombinerad spam-sannolikhetspoäng. Om den poängen passerar en viss punkt kan hela gruppen tas bort.

Hur 'ordförrådsmångfald' ser ut i verkligheten

I en samling recensioner beräknas lexikalisk mångfald med hjälp av Type-Token Ratio (TTR): antalet unika ord (typer) dividerat med det totala antalet ord (tokens). En uppsättning recensioner där varje person använder "fantastiskt," "bra," och "rekommenderar" kommer att ha en låg TTR. En uppsättning där recensenter använder sina egna ord – som "fläckfritt," "förbisedd," "väntan lönade sig," "mina kräsna barn älskade det" – kommer att ha en hög TTR som statistiskt speglar verkligt mänskligt tal.

En studie från 2025 i Journal of Information Systems Engineering and Management pekade ut lexikalisk mångfald som en av de fyra mest kritiska funktionerna för att skilja falska recensioner från äkta. De andra tre var antalet adjektiv, mönster av redundans och markörer för pauser. Samlingar av falska recensioner har konsekvent en komprimerad TTR eftersom betalda recensenter eller AI-verktyg använder en mycket mindre uppsättning ord än oberoende mänskliga skribenter.

Tröskeln för innehållslikhet

Cosinuslikheten mellan två textstycken mäts på en skala från 0 (helt olika) till 1 (identiska). Patentdokumenten indikerar att recensioner med en cosinuslikhetspoäng över cirka 0,35 till andra recensioner för samma företag markeras för ytterligare inspektion. En profil där de flesta recensioner faller inom höglikhetsgrupper skapar vad specialister kallar en "homogenitetsanomali." Detta mönster är statistiskt osannolikt att inträffa om recensionerna genererades organiskt.

För att ge lite perspektiv, två recensioner som båda säger "bra service, snabb leverans, kommer att beställa igen" skulle ha en cosinuslikhet på cirka 0,72, vilket placerar dem djupt i det flaggade området. Däremot kan en recension som beskriver en jubileumsmiddag och en annan som nämner en företagsgåva få 0,12. Detta ligger väl inom intervallet för normal mänsklig variation. Den viktigaste skillnaden är inte känslan utan variationen i ordförrådet kopplat till upplevelsen.

Om du plottar recensionsmångfald på två axlar – en för ordförrådsmångfald (bredden av språket som används) och en för upplevelsemångfald (utbudet av kundtyper, situationer och sammanhang) – skapar du ett 2x2-rutnät. Detta rutnät kan förutsäga Googles förtroendenivå med anmärkningsvärd precision.

Den övre högra rutan, som representerar hög ordförråds- och hög upplevelsemångfald, är det naturliga resultatet av att samla in recensioner organiskt över tid. Den nedre vänstra rutan, med låg ordförråds- och låg upplevelsemångfald, är det tydliga tecknet på en samordnad recensionsinsats, antingen av botar eller mänskligt drivna mallar.

Att ta reda på var din profil faller på detta rutnät är det första steget i varje legitim recensionsstrategi. Lösningen är inte bara att få fler recensioner. Det är att få olika typer av recensioner.

Föreställ dig hela recensionssamlingen för två företag, var och en kokad ner till ett ordmoln. Företag A har 200 recensioner, och dess moln domineras av fem ord: "bra," "service," "god," "rekommenderar," och "trevlig." Dessa termer dyker upp i 60–70% av dess recensioner. Företag B har 50 recensioner. Dess moln har samma positiva kärnord, men de omges av hundratals mindre vanliga termer: "glutenfritt," "födelsedagsfest," "lokal leverans," "ägaren kom ihåg mitt namn," "parkering var lätt," och "tystare än jag förväntade mig."

Recensionerna för Företag B uppvisar vad informationsforskare kallar högre entropi. Det finns mer slumpmässighet, mer oförutsägbarhet och mer information i varje ord. Googles språkmodeller bygger på enorma mängder text och har lärt sig hur naturligt mänskligt skrivande ser ut. Det ser ut som att det har hög entropi. Falska recensioner, precis som AI-genererat innehåll, tenderar att ha lägre entropi, med förutsägbara ordval och ett komprimerat statistiskt intervall.

En systematisk översikt från 2025 av upptäckt av falska recensioner i Frontiers in Computer Science visade att funktioner baserade på ordförråd konsekvent gör ett bättre jobb med att identifiera falska recensionsuppsättningar än beteendefunktioner ensamma. Anledningen är enkel: ordförråd är mycket svårare att förfalska i stor skala. Du kan be femtio personer att skriva en recension, men du kan inte enkelt be dem alla att skriva med genuint olika ordval.

Varför en variation av upplevelser skapar en variation av ord

Upplevelsemångfald och ordförrådsmångfald är tätt sammankopplade. En kund som besökte för en affärslunch kommer att beskriva andra saker än någon som firar en årsdag eller bara tar en snabb bit. Deras naturliga språk hämtas från dessa olika situationer: "privat rum," "ljudnivå," "snabb service," "speciellt tillfälle," "barnvänligt." Varje fras är en språklig signal från ett separat användningsfall.

Detta är anledningen till att Mozs analys av lokala rankingfaktorer från 2025 betonade att recensioner som "nämner specifika tjänster som mottagits" ges mer vikt än de med generiskt beröm. Specificitet är inte bara mer användbart för mänskliga läsare; det är en starkare signal om äkthet för maskinläsare. Algoritmen bearbetar "svamprisotto tar 20 minuter men det är värt varje sekund" på ett fundamentalt annorlunda sätt än den hanterar "maten var fantastisk, kommer tillbaka."

Olika människor besöker samma företag av fundamentalt olika skäl, och deras avsikt formar deras ordförråd. En kund som fokuserar på pris kommer att skriva annorlunda än en som söker en unik upplevelse. En professionell som bedömer teknisk kvalitet kommer att använda andra ord än en tillfällig förstagångsbesökare. När ett företags recensioner endast återspeglar en eller två kundavsikter, krymper ordförrådet, oavsett hur många recensioner det finns.

Forskning om konsumenters recensionsvanor (BrightLocal LCRS 2024, som involverade 1 141 amerikanska konsumenter) visade att 27% av människor specifikt uppskattade att se recensioner från kunder som också hade recenserat "olika andra företag." Detta fungerar som ett ställföreträdande för recensentens oberoende och varierande perspektiv. Kärnpreferensen är för en uppsättning recensioner som känns som om de kommer från många verkliga, olika individer, inte en enda typ av kund.

Ett företag vars recensioner endast lockar bekvämlighetssökande signalerar en smal kundbas till både Google och potentiella nya kunder. Algoritmen ser en smal profil som antingen ett tecken på låg affärsaktivitet (vilket är misstänkt om antalet recensioner är högt) eller en samordnad recensionskampanj (där alla recensenter verkar dela samma manus).

Multiplikatoreffekten av specialistrecensioner

Recensioner från experter eller specialister har en oproportionerligt stor ordförrådsvikt. När en professionell inom en relevant bransch skriver en recension med tekniska termer, sänder det flera signaler samtidigt: företaget vänder sig till kunniga kunder, recensenten är oberoende trovärdig, och ordförrådet är unikt nog för att sänka cosinuslikheten med andra recensioner. En enda, äkta specialistrecension kan avsevärt förbättra en profils lexikaliska mångfaldspoäng.

Detta förklarar varför Whitesparks rapport om lokala sökrankningsfaktorer från 2026 nämnde att recensionsinnehåll med "specifika tjänster som mottagits" och professionell kontext har en starkare signalvikt. Ju mer specialiserat ordförrådet är, desto mindre sannolikt är det att det har skapats av samma källa som andra recensioner. I detta sammanhang betyder osannolikhet äkthet.

Föreställ dig två VVS-företag i samma stad, båda konkurrerar om samma nyckelord. Båda har bibehållit ett konsekvent 4,8-stjärnigt betyg. Den viktigaste skillnaden ligger i strukturen på deras recensionssamlingar.

Detta baseras på en kombinerad analys av lokala SEO-fallstudier från Sterling Sky (2025) och Whitesparks rapport om lokala rankingfaktorer för 2026. Företagsnamnen är för illustration.

Googles recensionsanalys genererar inte ett enda betyg. Den skapar viktade poäng över flera faktorer, var och en påverkar spamdetektering och rankningssignaler på olika sätt. Med utgångspunkt från patentdokument, Whitesparks expertundersökningsdata från 2026 och BrightLocals konsumentstudier kan de ungefärliga signalvikterna brytas ner enligt följande.

Det är värt att notera att ordförrådsmångfald, ett ämne som sällan behandlas i typiska SEO-råd, är en av de tre mest inflytelserika signalerna. Volym, som de flesta fokuserar på, rankas som fjärde när den justeras för förtroende. En enda detaljerad recension från ett etablerat konto som nämner specifika tjänster väger tyngre än fem generiska enordsrecensioner från nya konton, med en marginal som de flesta SEO-experter allvarligt underskattar.

Att skapa en mångsidig recensionsprofil handlar inte om att försöka manipulera ordförrådet. Det handlar om att kommunicera med olika kundgrupper vid olika tidpunkter under deras resa, med hjälp av uppmaningar som uppmuntrar specifika detaljer snarare än generiska svar.

De vanligaste frågorna om recensionsmångfald, Googles detektionsverktyg och hur man bygger en profil med autentiska recensioner.