Mit olvas ki a Google az értékeléseidből: Érzelemelemzési alapok

A Google NLP folyamatának belsejében: hogyan alakítja a szentiment polaritás, az aspektus-kivonatolás és az entitásfelismerés a vásárlói értékelések szövegét rangsorolási jelekké – és mit jelent ez Önnek.

Világszerte havonta nagyjából egymilliárd Google értékelést küldenek be. Mindegyik egy nyers szövegrészlet: vélemény, tény, nevesített entitások és kontextuális jelek keveréke. Az értékelések korszakának nagy részében – a 2000-es évek közepétől a 2010-es évek közepéig – a szöveg nagyrészt dekoratív volt. A csillag állt a középpontban. A próza csak opcionális háttér volt.

Ez megváltozott. A Google természetesnyelv-feldolgozásba (NLP) történő befektetése 2018-ban a BERT modellel felgyorsult, és 2020-ra ugyanazokat a transzformátor alapú modelleket, amelyek a Google Keresőt is működtetik, már a helyi értékelési korpuszokra is alkalmazták. Ma az értékelések szövegének érzelemelemzése nem egy funkció – hanem infrastruktúra. Minden cégtulajdonos számára a kérdés nem az, hogy ez az elemzés megtörténik-e, hanem az, hogy hogyan írjunk olyan értékeléskéréseket, amelyek a modellek által valóban értékelt nyelvezetet eredményeznek.

Ez az írás végigvezet a technikai rétegeken: mit jelent a gyakorlatban a szentiment polaritás és a magnitúdó, hogyan bontja szét az aspektus alapú érzelemelemzés az ételt, a kiszolgálást és az árat, miért teszi a nevesített entitások felismerése az egyedi értékeléseket értékesebbé, és mit tehet a tudományosan alátámasztott értékeléskérő megfogalmazás az eloszlás finomhangolásáért.

Az érzelemelemzés nem helyesírás-ellenőrzés. Nem kulcsszószámolás. Amikor a Google NLP infrastruktúrája azt olvassa, hogy „A carbonara abszolút kiemelkedő volt – friss alapanyagok, tökéletesen elkészítve”, nem egyszerűen „kiemelkedő”-ként jelöli meg a jó szót. A modell a teljes kifejezést kontextusban olvassa, meghatározza a nyelvtani alanyt (carbonara), azonosítja az állítmányi érzelmet (pozitív, magas megbízhatóság), kiemelkedési pontszámot (salience score) rendel az entitáshoz (carbonara: 0.74, egy nevesített étel az étlapról), majd ezeket a jeleket dokumentumszintű és entitásszintű érzelmi pontszámokká összesíti.

A gyakorlati különbség óriási. A dokumentumszintű érzelem egyetlen +0.9-es pontszámot ad. Az entitásszintű érzelem megmondja, hogy az ételt dicsérték (carbonara érzelem: +0.85), míg a várakozási időt kritizálták (kiszolgálás érzelem: -0.4). Két teljesen különböző, cselekvésre ösztönző jel ugyanabból az értékelésből.

Polaritás vs. Magnitúdó: a két szám, amit meg kell értenie

Minden, a Google Natural Language API-n áthaladó értékelési szöveg két pontszámot kap. A Pontszám (polaritás) -1.0-tól +1.0-ig terjed, jelezve az érzelem irányát. A Magnitúdó mindig pozitív, és a teljes érzelmi tartalmat tükrözi, iránytól függetlenül. Egy „Csodás étel, borzalmas kiszolgálás, sokkoló várakozási idő, gyönyörű dekoráció” szövegű értékelés 0.0 körüli polaritást kaphat (a pozitívumok és negatívumok kioltják egymást), de 3.5-ös magnitúdót regisztrálhat – jelezve, hogy az értékelőnek nagyon erős érzései voltak több dologgal kapcsolatban. A magas magnitúdó nulla közeli polaritással vegyes értékelést jelez, nem pedig semlegeset.

Ez számít a rangsorolási algoritmusok számára. Egy tisztán tényszerű értékelés – „9-kor nyitnak. Parkolás lehetséges. Az étlapon van tészta” – 0.0 körüli polaritást és 0.3 alatti magnitúdót kap. Szinte semmit sem ad hozzá az érzelmi jelekhez. A Google a valódi véleményt demonstráló szöveget jutalmazza, nem az értékelésnek álcázott címtárbejegyzéseket.

Hogyan dolgoz fel az NLP folyamat egyetlen értékelést

Az értékelések szövegére alkalmazott modern NLP folyamat öt szakaszból áll, amelyek mindegyike az előzőre épül.

Amit ez a folyamat létrehoz, az nem csupán egy pontszám – hanem az értékelés strukturált szemantikai térképe. Nevesített entitások, azok érzelmi kontextusa, az aspektusok, amelyekhez tartoznak, és az egyes osztályozások körüli megbízhatósági intervallumok. Mindez hozzájárulhat egy üzleti profil relevancia, minőség és hitelesség dimenzióihoz.

Az NLP-alapú értékeléselemzés leginkább ellen-intuitív felismerése: egy ötcsillagos, de homályos szövegű értékelés szinte értéktelen lehet rangsorolási jelként, míg egy négycsillagos, de gazdag, konkrét, több aspektust lefedő szövegű értékelés a profilján lévő egyik legértékesebb tartalom lehet.

Hogy megértsük, miért, vegyünk három archetipikus értékeléstípust, és nézzük meg, mit olvas ki belőlük a modell.

Jegyzetekkel ellátott értékelés-összehasonlítás: pozitív, vegyes és tényszerű-semleges

Az alábbi három értékelés bemutatja, hogyan fedi fel a tokenszintű érzelmi annotáció, hogy mit nyer ki valójában a modell. A zöld tokenek pozitív jelet hordoznak. A rózsaszín tokenek negatív jelet hordoznak. A semleges szöveg pontozásra kerül, de alacsony érzelmi súllyal bír.

Figyelje meg a paradoxont: a C típusú értékelés „ártalmatlannak” tűnik, de hígítja a profilja jelsűrűségét. Egy 50 C-típusú és 20 A-típusú értékeléssel rendelkező profil gyengébb, mint egy 40 A-típusú és 10 B-típusúval. Nem a teljes darabszám a mérőszám, hanem az érzelemmel súlyozott jel.

Miért segítenek mégis a magas magnitúdójú vegyes értékelések

Gyakori tévhit: a kritikus értékelések mindig rosszak. NLP szempontból egy magas magnitúdójú és specifikus aspektuslefedettségű vegyes értékelés valami értékeset nyújt – aspektusszintű alapigazságot (ground truth). Amikor a Google modellje azt olvassa, hogy „az étel kivételes volt, de a kiszolgálás közömbös”, szilárd adatokkal rendelkezik két külön dimenzióról. Az étel entitás magas pontszámot kap, ami relevanciát vonz az étellel kapcsolatos keresésekhez. A szolgáltatás entitás alacsony pontszámot kap, ami elnyomhatja a megjelenést a szolgáltatás-központú keresésekben.

A cégtulajdonos számára ez azt jelenti, hogy a kritikus, de specifikus értékelések néha jobbak lehetnek, mint a homályos pozitívak. Az ideális válasz egy vegyes értékelésre az, ha a tulajdonosi válaszban közvetlenül foglalkozunk a negatív aspektussal – ez további, NLP által elemezhető tartalmat hoz létre a negatív dimenzióban, ami elismerést és megoldási szándékot mutat.

Az aspektus alapú érzelemelemzés (ABSA) az érzelemelemzésnek az a verziója, amely valóban megfelel annak, ahogyan az emberek az értékeléseket olvassák. Amikor valaki Yelp vagy Google értékelést ír, ritkán beszél egyetlen dologról. Beszél az ételről itt, a kiszolgálásról ott, a várakozási időről, a hangulatról, az ár-érték arányról. A klasszikus mondatszintű érzelemelemzés mindezt a részletességet figyelmen kívül hagyja.

A Google rendszerei – és az azokat megalapozó tudományos kutatások – határozottan az ABSA felé mozdultak el. A Nature Scientific Reports-ban megjelent 2025-ös többnyelvű ABSA-tanulmány szerint a transzformátor alapú modellek, mint az XLM-RoBERTa, 91,9%-os pontosságot értek el az értékelések érzelmeinek aspektuskategóriák szerinti osztályozásában, drámaian felülmúlva a BERT-et (87,8%) az éttermi értékelési adathalmazokon. Az éttermi értékelések kutatásában követett aspektusok következetesen négy dimenzió köré csoportosulnak.

Mit nyer ki a Google a több aspektusra kiterjedő értékelésekből

A helyi üzleti rangsorolás szempontjából az aspektusszintű jelnek közvetlen következménye van: azok a dimenziók, amelyekben a legmagasabb pontszámot éri el, összefüggenek azokkal a keresésekkel, amelyekre rangsorol. Egy étterem, ahol az értékelések 80%-a pozitívan említi a „tésztát” és a „carbonarát”, nagyobb valószínűséggel jelenik meg a „legjobb carbonara a közelemben” típusú keresésekre, mint egy versenytárs, amelynek magasabb az általános értékelése, de az értékeléseiben nincs étlapspecifikusság.

Az értékeléskérési stratégia szempontjából a következtetés pontos: ha megkérdezzük egy ügyféltől, hogy „mit gondolt az élményről?”, az bármit generál, ami eszébe jut, ami általában általános pozitívumok felé hajlik. Ha azt kérdezzük, hogy „milyen volt konkrétan a tészta?” vagy „hogyan jellemezné a hangulatot?”, az a válaszadót az aspektusspecifikus tartalom létrehozása felé tereli, amelyet az NLP modell nagy biztonsággal tud osztályozni.

A nevesített entitások felismerése (NER) az az NLP réteg, amely azonosítja a szövegben említett konkrét személyeket, helyeket, termékeket és dolgokat, és kiemelkedési pontszámot rendel hozzájuk. A kiemelkedési pontszám azt jelzi, mennyire központi az entitás az értékelés jelentésében – a 0.0 periférikus, az 1.0 pedig az értékelés teljes lényege.

Amikor egy ügyfél azt írja, hogy „Kérjék Marcust – tökéletesen ismerte a borlapot”, az NLP modell kinyeri: entitás=Marcus, típus=SZEMÉLY, kiemelkedés=0.71, érzelem=+0.82. Ez két okból fontos. Először is, jelet hoz létre, amely összekapcsolja a személyzet nevét a pozitív szolgáltatási érzelemmel. Másodszor, és ami a cégtulajdonos számára fontosabb: a termék- és szolgáltatásnevek ugyanígy működnek. A „A homárleves rendkívüli volt” mondatból kinyeri: entitás=homárleves, típus=FOGYASZTÁSI_CIKK, kiemelkedés=0.85, érzelem=+0.9.

Egy jól értékelt étterem kulcsszófelhője

Az alábbi szófelhő egy hipotetikus, 80 értékelésből álló adathalmazból kinyert entitásokat, pozitív/negatív érzelmi tokeneket és aspektuskategória-címkéket ábrázol. Figyelje meg, hogyan csoportosulnak a terméknevek (carbonara, Piazza Roma), személynevek (Marco séf) és helymegjelölések az érzelmi melléknevek mellett – ez az entitás-érzelem leképezés nyersanyaga.

A lila tokenek nevesített entitások: kiemelkedési értékkel bírnak és külső tudásgráfokhoz kapcsolódnak (a Google Tudásgráfja felismeri az étteremneveket, séfneveket és specifikus ételeket, amelyek következetesen megjelennek az értékelésekben). A smaragdzöld tokenek pozitív érzelmi hordozók. A rózsaszín tokenek negatív hordozók. A borostyán tokenek aspektuskategória-jelek.

A kiemelkedési hierarchia: mi kerül indexelésre és mi marad figyelmen kívül

Nem minden szó egyenlő egy értékelésben. A Google NLP-je minden tokennek szerepet rendel a szintaktikai fában, és a kiemelkedési pontszámok azokra a főnévi kifejezésekre koncentrálódnak, amelyek nyelvtani alanyként vagy érzelmet hordozó állítmányok tárgyaként funkcionálnak. A „A bruschetta friss és bőséges adag volt” mondat magas kiemelkedést rendel a „bruschetta”-hoz, mert ez a nyelvtani alanya két érzelmi predikátumnak („friss”, „bőséges adag”). Az „Ez jó volt” nulla entitás-kiemelkedést rendel, mert az alany, az „ez”, egy névmás, amelynek nincs egyértelmű referenciája.

Gyakorlati következmény: a névmások NLP holt zónák. Az „ez finom volt” kifejezés semmit sem mond a modellnek arról, hogy mi volt finom. A „A tiramisu finom volt” egy entitást (tiramisu) ad a modellnek, amelyhez egy pozitív érzelmi predikátum kapcsolódik. Az egyik ilyen értékelés indexel egy termékkulcsszót; a másik nem.

Az NLP elemzésből a rangsorolási jellé való átalakulás nem egy egyszerű lineáris folyamat. A Google az érzelmi adatokat más helyi jelekkel – frissesség, mennyiség, értékelő megbízhatósága, válaszadási arány – kombinálja egy összetett minőségi pontszámmá. De az érzelmi minőség egyre nagyobb súlyt kapott, ahogy az NLP képességek fejlődtek. Egy 2025-ös iparági elemzés a Google Térkép rangsorolási faktorairól megállapította, hogy az értékelések szövegének minősége – a specifitás, az aspektuslefedettség és a kulcsszósűrűség – ma már a relevancia jelentős szeletét teszi ki a versenypiacokon.

A „kulcsszó az értékelésekben” rangsorolási mechanizmus

Az egyik legkonkrétabb, dokumentált módja annak, ahogy az értékelések szövege befolyásolja a Google Térkép rangsorolását, a kulcsszó-indexelés. A Google kifejezetten megerősíti, hogy az értékelések szövege tartalomként indexelődik a Cégprofilján. Amikor elegendő értékelés említ egy adott szolgáltatást, terméket vagy helymeghatározót, ez a jel felerősödik. Egy seattle-i virágüzlet, amelynek 40 értékelése említi az „esküvői csokrokat”, magasabbra rangsorol a „virágüzlet esküvőre Seattle” keresésre, mint egy olyan, amelynek 200 homályos értékelése van.

A mechanizmus egyszerű: az NLP kinyeri az entitásokat és aspektus-kifejezéseket az értékelésekből, ezeket indexeli a vállalkozás profiljához, és a specifikus keresések relevancia-pontozása ebből az indexelt tartalomból is merít, a vállalkozás saját leírása és kategóriái mellett. Az értékelések gyakorlatilag felhasználók által generált, kulcsszavakkal gazdagított tartalomként funkcionálnak a vállalkozásáról.

Annak megértése, hogyan működik az érzelemelemzés, nem csupán akadémiai gyakorlat. Közvetlenül befolyásolja, hogyan kér értékeléseket, milyen nyelvezetet ültet el a kérésben, és milyen típusú értékelési szövegekre van valójában szüksége a profiljának. A cél nem a manipuláció – az hiteltelennek tűnik, és a Google saját NLP modelljei a sablonos, gyanúsan egységes értékelési nyelvezetet csalási jelként jelölik meg. A cél az, hogy a valódi ügyfeleket arra ösztönözzük, hogy olyan módon írjanak, ami hasznos NLP jeleket generál.

Gondoljon rá úgy, mint a különbségre a „Hogy van?” (reflexszerű, tartalom nélküli választ vált ki) és a „Mi tetszett a legjobban a mai vacsorában?” (egy konkrét emléket idéz fel egy nevesített entitással) kérdések között. Az alapélmény ugyanaz; a kapott szöveg NLP értéke teljesen más.

Aspektus-ösztönzés az értékeléskérésekben

Az értékeléskérési stratégia leghatékonyabb egyedi fejlesztése az aspektus-ösztönzés: a kérés strukturálása úgy, hogy az ügyfeleket az élmény konkrét dimenzióinak említésére ösztönözze. Ahelyett, hogy „Szeretnénk egy értékelést a Google-ön!”, próbálja meg ezt: „Megosztaná velünk, mit gondolt a(z) [konkrét étel / konkrét szolgáltatás / konkrét munkatárs] kapcsán?” Ez az ügyfél válaszát egy érzelmi predikátummal rendelkező entitás felé tereli – pontosan azt a struktúrát, amelyet az NLP modellek a legnagyobb biztonsággal nyernek ki.

A gyakorlatban a csatorna is számít. Egy éttermi látogatás utáni e-mailes utókövetésben megkérdezhetjük: „Ha volt alkalma kipróbálni az új kóstoló menünket, szívesen hallanánk, mit gondolt a bárányról és a desszertbor párosításról.” Ez két nevesített entitást (bárány, desszertbor párosítás) és két potenciális aspektus tokent (ételminőség, párosítás) ültet el. Nem minden ügyfél említi meg őket – de elegendő ahhoz, hogy a korpusz elmozduljon.

A tulajdonosi válaszok mint másodlagos NLP tartalom

Az Ön válasza egy értékelésre szintén NLP által elemezhető tartalom a profilján. Egy válasz, amely megismétli a konkrét pozitív elemeket – „Nagyon örülünk, hogy a carbonara telitalálat volt Önnek” – megerősíti az entitás-érzelem társítást egy második dokumentumban. Egy válasz, amely egy konkrét negatívumra reagál – „Azóta péntek esténként kibővítettük a konyhai csapatot a várakozási idő csökkentése érdekében” – új tartalmat szolgáltat a negatív aspektusról, potenciálisan frissítve a modell értelmezését arról a dimenzióról.

A válaszoknak specifikusnak kell lenniük, nem általánosnak. A „Köszönjük az értékelését!” nulla NLP jelet ad. A „Köszönjük, hogy megemlítette a kóstoló menüt – Lorenzo séf hónapokat fektetett abba a párosításba” entitásjelet (kóstoló menü, Lorenzo séf) ad pozitív kontextussal. Két különböző tartalom, vadul eltérő NLP értékkel.

Influenszer és igazolt vásárlói értékelések mint minőségi horgonyok

Egy alulértékelt NLP dinamika: a magas értékelői megbízhatósággal rendelkező fiókokból (Google Helyi Idegenvezetők programja, 5+ szint) származó értékelések és a szokatlanul hosszú és entitásokban gazdag értékelések minőségi horgonyként funkcionálhatnak az értékelési korpuszban. Amikor a Google modellje egy 200 szavas, ételt, kiszolgálást, hangulatot és árat lefedő, több nevesített entitást tartalmazó értékeléssel találkozik egy megbízható értékelőtől, az egy magas megbízhatóságú, többdimenziós adatpontot hoz létre. Ezeknek az értékeléseknek a darabszámukhoz képest aránytalanul nagy befolyásuk van az aspektus pontszámokra. Egy 200 szavas értékelés egy 6-os szintű Helyi Idegenvezetőtől többet járulhat hozzá az aspektusjelhez, mint öt 15 szavas általános értékelés.

Kulcsfontosságú kérdések arról, hogyan olvassa a Google NLP érzelemelemzése az értékelések szövegét, és mit tehetnek ezzel kapcsolatban a cégtulajdonosok.