Så läser Google dina recensioner: En guide till sentimentanalys

Inuti Googles NLP-pipeline: hur sentimentpolaritet, aspektutvinning och entitetsigenkänning omvandlar kundrecensioner till rankningssignaler – och vad det betyder för dig.

Varje månad skickas ungefär en miljard Google-recensioner in globalt. Var och en är ett rått textfragment: en blandning av åsikt, fakta, namngivna entiteter och kontextuella signaler. Under större delen av recensionernas era – från mitten av 2000-talet till mitten av 2010-talet – var texten i stort sett dekorativ. Stjärnbetyget stod i centrum. Prosan var valfri bakgrundsinformation.

Det har förändrats. Googles investering i naturlig språkbehandling accelererade med BERT 2018, och vid 2020 tillämpades samma transformatorbaserade modeller som driver Google Sök på lokala recensionsdatabaser. Idag är sentimentanalys av recensionstext inte en funktion – det är infrastruktur. Frågan för alla företagare är inte om denna analys sker, utan hur man skriver recensionsförfrågningar som producerar ett språk som modellerna faktiskt värdesätter.

Den här artikeln går igenom de tekniska lagren: vad sentimentpolaritet och magnitud betyder i praktiken, hur aspektbaserad sentimentanalys dissekerar mat kontra service kontra pris, varför igenkänning av namngivna entiteter gör specifika recensioner mer värdefulla, och vad vetenskapligt underbyggda formuleringar i recensionsförfrågningar kan göra för att påverka resultatet.

Sentimentanalys är inte stavningskontroll. Det är inte räkning av nyckelord. När Googles NLP-infrastruktur läser "Carbonaran var helt enastående – färska ingredienser, perfekt tillagad", flaggar den inte bara 'enastående' som ett bra ord. Modellen läser hela frasen i sitt sammanhang, bestämmer det grammatiska subjektet (carbonaran), identifierar predikatets sentiment (positivt, hög säkerhet), tilldelar en relevanspoäng till entiteten (carbonara: 0,74, ett namngivet menyalternativ) och aggregerar sedan dessa signaler till sentimentpoäng på dokument- och entitetsnivå.

Den praktiska skillnaden är enormt viktig. Sentiment på dokumentnivå ger dig en enda poäng på +0,9. Sentiment på entitetsnivå talar om för dig att maten hyllades (carbonara-sentiment: +0,85) medan väntetiden kritiserades (service-sentiment: -0,4). Två helt olika, handlingsbara signaler från samma recension.

Polaritet vs. magnitud: de två siffrorna du behöver förstå

Varje recensionstext som passerar genom Googles Natural Language API får två poäng. Poängen (polariteten) går från -1,0 till +1,0 och indikerar riktningen på sentimentet. Magnituden är alltid positiv och återspeglar det totala känslomässiga innehållet, oavsett riktning. En recension som lyder 'Fantastisk mat, hemsk service, chockerande väntetid, vacker inredning' kan få en polaritet nära 0,0 (positivt och negativt tar ut varandra) men registrera en magnitud på 3,5 – vilket indikerar att recensenten hade mycket starka känslor om flera saker. Hög magnitud med nära noll i polaritet signalerar en blandad recension, inte en neutral.

Detta spelar roll för rankningsalgoritmer. En rent faktabaserad recension – "De öppnar kl. 9. Parkering finns. Menyn har pasta" – får en polaritet nära 0,0 med en magnitud under 0,3. Den bidrar nästan ingenting till sentimentsignalerna. Google belönar text som visar genuin åsikt, inte registeruppgifter förklädda till recensioner.

Hur NLP-pipelinen bearbetar en enskild recension

Den moderna NLP-pipelinen som tillämpas på recensionstext följer fem steg, där varje steg bygger på det föregående.

Vad denna pipeline producerar är inte bara en poäng – det är en strukturerad semantisk karta över recensionen. Namngivna entiteter, deras sentimentkontext, de aspekter de tillhör och konfidensintervallen för varje klassificering. Allt detta kan bidra till en företagsprofils relevans-, kvalitets- och auktoritetsdimensioner.

Den mest kontraintuitiva insikten i NLP-baserad recensionsanalys: en femstjärnig recension med vag text kan vara nästan värdelös som rankningssignal, medan en fyrstjärnig recension med rik, specifik text som täcker flera aspekter kan vara ett av de mest värdefulla innehållsfragmenten på din profil.

För att se varför, låt oss betrakta tre arketypiska recensionstyper och vad modellen läser i varje.

Annoterad recensionsjämförelse: positiv, blandad och faktabaserad-neutral

De tre recensionerna nedan illustrerar hur sentimentannotering på token-nivå avslöjar vad modellen faktiskt extraherar. Gröna tokens bär en positiv signal. Rosa tokens bär en negativ signal. Neutral text poängsätts men bidrar med låg sentimentvikt.

Notera paradoxen: Typ C ser ut som en 'ofarlig' recension men den späder ut signaltätheten på din profil. En profil med 50 Typ C-recensioner och 20 Typ A-recensioner är svagare än en profil med 40 Typ A- och 10 Typ B-recensioner. Det totala antalet är inte måttet. Sentimentviktad signal är det.

Varför blandade recensioner med hög magnitud ändå hjälper dig

En vanlig missuppfattning: kritiska recensioner är alltid dåliga. I NLP-termer ger en blandad recension med hög magnitud och specifik aspekttäckning något värdefullt – grundläggande sanning på aspektnivå. När Googles modell läser 'maten var exceptionell men servicen var likgiltig', har den solid data om två separata dimensioner. Mat-entiteten får höga poäng, vilket ökar relevansen för matrelaterade sökningar. Service-entiteten får låga poäng, vilket kan undertrycka visning i servicefokuserade sökningar.

För företagaren innebär detta att kritiska men specifika recensioner ibland kan vara bättre än vaga positiva. Det ideala svaret på en blandad recension är att direkt bemöta den negativa aspekten i ägarsvaret – detta skapar ytterligare NLP-analyserbart innehåll om den negativa dimensionen, vilket visar på erkännande och avsikt att lösa problemet.

Aspektbaserad sentimentanalys (ABSA) är den version av sentimentanalys som faktiskt matchar hur människor läser recensioner. När någon skriver en recension på Yelp eller Google pratar de sällan om en enda sak. De pratar om maten här, servicen där, väntetiden, atmosfären, prisvärdheten. Klassisk sentimentanalys på meningsnivå missar all denna granularitet.

Googles system – och den akademiska forskningen som informerar dem – har stadigt rört sig mot ABSA. En flerspråkig ABSA-studie från 2025 publicerad i Nature Scientific Reports fann att transformatorbaserade modeller som XLM-RoBERTa uppnådde 91,9 % noggrannhet vid klassificering av recensionssentiment per aspektkategori, vilket dramatiskt överträffade BERT (87,8 %) på dataset med restaurangrecensioner. De aspekter som spåras i forskning om restaurangrecensioner klustrar konsekvent kring fyra dimensioner.

Vad Google utvinner från recensioner som täcker flera aspekter

För rankning av lokala företag har signalen på aspektnivå en direkt implikation: de dimensioner där du får högst poäng korrelerar med de sökfrågor du rankar för. En restaurang där 80 % av recensionerna positivt nämner 'pasta' och 'carbonara' har större chans att dyka upp i sökningar som 'bästa carbonaran nära mig' än en konkurrent med högre totalbetyg men ingen menyspecificitet i sina recensioner.

Implikationen för strategin kring recensionsförfrågningar är precis: att fråga en kund 'vad tyckte du om upplevelsen?' genererar det som först kommer upp i huvudet, vilket tenderar att vara generiska positiva omdömen. Att fråga 'hur var pastan specifikt?' eller 'hur skulle du beskriva atmosfären?' leder respondenten mot att producera aspektspecifikt innehåll som NLP-modellen kan klassificera med hög säkerhet.

Namngiven entitetsigenkänning (NER) är det NLP-lager som identifierar specifika personer, platser, produkter och saker som nämns i text och tilldelar dem relevanspoäng. En relevanspoäng indikerar hur central entiteten är för recensionens betydelse – 0,0 är perifert, 1,0 är hela poängen med recensionen.

När en kund skriver 'Fråga efter Marcus – han kunde vinlistan perfekt', extraherar NLP-modellen: entitet=Marcus, typ=PERSON, relevans=0,71, sentiment=+0,82. Detta är viktigt av två anledningar. För det första skapar det en signal som kopplar ett personalnamn till positivt service-sentiment. För det andra, och viktigare för företagaren: produkt- och tjänstenamn fungerar på samma sätt. 'Hummerbisquen var extraordinär' extraherar entitet=hummerbisque, typ=KONSUMENTPRODUKT, relevans=0,85, sentiment=+0,9.

Nyckelordsmolnet för en välrecenserad restaurang

Följande ordmoln representerar extraherade entiteter, positiva/negativa sentiment-tokens och aspektkategorietiketter från ett hypotetiskt dataset med 80 recensioner. Notera hur produktnamn (carbonara, Piazza Roma), personnamn (Kock Marco) och platsreferenser klustrar tillsammans med sentimentadjektiv – detta är råmaterialet för kartläggning av entitet-sentiment.

Lila tokens är namngivna entiteter: de bär på relevansvärden och kopplas till externa kunskapsgrafer (Googles Knowledge Graph kan känna igen restaurangnamn, kocknamn och specifika rätter som förekommer konsekvent i recensioner). Smaragdgröna tokens är positiva sentimentbärare. Rosa tokens är negativa bärare. Bärnstensfärgade tokens är signaler för aspektkategorier.

Relevanshierarkin: vad som indexeras vs. vad som ignoreras

Alla ord i en recension är inte lika. Googles NLP tilldelar varje token en roll i det syntaktiska trädet, och relevanspoängen koncentreras på substantivfraser som fungerar som grammatiska subjekt eller direkta objekt för sentimentbärande predikat. 'Bruschettan var färsk och generöst tilltagen' tilldelar hög relevans till 'bruschetta' eftersom det är det grammatiska subjektet för två sentimentpredikat ('färsk', 'generöst tilltagen'). 'Det var gott' tilldelar noll entitetsrelevans eftersom subjektet 'det' är ett pronomen utan tydlig referent.

Praktisk implikation: pronomen är döda zoner för NLP. Frasen 'det var utsökt' säger ingenting till modellen om vad som var utsökt. 'Tiramisun var utsökt' ger modellen en entitet (tiramisu) med ett positivt sentimentpredikat kopplat till sig. En av dessa recensioner indexerar ett produktnyckelord; den andra gör det inte.

Översättningen från NLP-analys till rankningssignal är inte en enkel linjär process. Google kombinerar sentimentdata med andra lokala signaler – färskhet, volym, recensentens trovärdighet, svarsfrekvens – till en sammansatt kvalitetspoäng. Men sentimentkvalitet har blivit alltmer viktad i takt med att NLP-kapaciteten har förbättrats. En branschanalys från 2025 av rankningsfaktorer i Google Maps fann att kvaliteten på recensionstext – specificitet, aspekttäckning och nyckelordstäthet – nu står för en betydande del av relevansen på konkurrensutsatta lokala marknader.

Rankningsmekaniken 'nyckelord i recensioner'

Ett av de mest konkreta, dokumenterade sätten som recensionstext påverkar rankningen i Google Maps är genom nyckelordsindexering. Google bekräftar uttryckligen att recensionstext indexeras som innehåll på din Företagsprofil. När tillräckligt många recensioner nämner en specifik tjänst, produkt eller platskvalificerare, förstärks den signalen. En florist i Stockholm med 40 recensioner som nämner 'bröllopsbuketter' rankar högre för 'bröllopsflorist Stockholm' än en med 200 vaga recensioner.

Mekaniken är enkel: NLP extraherar entiteter och aspekttermer från recensioner, dessa indexeras mot företagets profil, och relevanspoängsättningen för specifika sökningar använder detta indexerade innehåll utöver företagets egen beskrivning och kategorier. Recensionerna fungerar i praktiken som användargenererat, nyckelordsberikat innehåll om ditt företag.

Att förstå hur sentimentanalys fungerar är inte bara en akademisk övning. Det informerar direkt hur du ber om recensioner, vilket språk du planterar i frågan och vilken typ av recensionstext din profil faktiskt behöver. Målet är inte att manipulera – det uppfattas som oäkta och Googles egna NLP-modeller flaggar malltungt, misstänkt enhetligt recensionsspråk som en bedrägerisignal. Målet är att uppmuntra genuina kunder att skriva på sätt som genererar användbara NLP-signaler.

Tänk på det som skillnaden mellan att fråga 'Hur mår du?' (framkallar ett reflexmässigt svar utan innehåll) och 'Vad var det du gillade mest med middagen ikväll?' (framkallar ett specifikt minne med en namngiven entitet kopplad till det). Den underliggande upplevelsen är densamma; NLP-värdet av den resulterande texten är helt annorlunda.

Aspekt-vägledning i recensionsförfrågningar

Den enskilt mest kraftfulla förbättringen av strategin för recensionsförfrågningar är aspekt-vägledning: att strukturera din förfrågan för att uppmuntra kunder att nämna specifika dimensioner av upplevelsen. Istället för 'Vi skulle älska en recension på Google!', prova 'Skulle du vilja dela med dig av vad du tyckte om [specifik rätt / specifik tjänst / specifik personalmedlem]?'. Detta leder kundens svar mot en entitet med ett sentimentpredikat – exakt den struktur som NLP-modeller extraherar med högst säkerhet.

I praktiken spelar kanalen roll. Ett uppföljningsmejl efter ett restaurangbesök kan fråga: 'Om du hade chansen att prova vår nya avsmakningsmeny, skulle vi älska att höra vad du tyckte om lammet och dessertvinsparningen.' Detta planterar två namngivna entiteter (lamm, dessertvinsparning) och två potentiella aspekt-tokens (matkvalitet, parning). Inte varje kund nämner dem – men tillräckligt många gör det för att förändra databasen.

Ägarsvar som sekundärt NLP-innehåll

Ditt svar på en recension är också NLP-analyserbart innehåll på din profil. Ett svar som upprepar de specifika positiva elementen – 'Vi är så glada att carbonaran föll dig i smaken' – förstärker associationen mellan entitet och sentiment i ett andra dokument. Ett svar som bemöter en specifik negativ punkt – 'Vi har sedan dess utökat köksteamet på fredagskvällar för att åtgärda väntetiden' – ger nytt innehåll om den negativa aspekten, vilket potentiellt uppdaterar modellens förståelse av den dimensionen.

Svar bör vara specifika, inte generiska. 'Tack för din recension!' tillför noll NLP-signal. 'Tack för att du nämnde avsmakningsmenyn – Kock Lorenzo lade månader på den parningen' tillför entitetssignal (avsmakningsmeny, Kock Lorenzo) med positiv kontext. Två olika innehållsdelar, vilt olika NLP-värde.

Recensioner från influencers och verifierade köp som kvalitetsankare

En underskattad NLP-dynamik: recensioner från konton med hög recensent-trovärdighet (Googles Local Guides-program, Nivå 5+) och recensioner som är ovanligt långa och entitetsrika kan fungera som kvalitetsankare i recensionsdatabasen. När Googles modell stöter på en 200-ordsrecension som täcker mat, service, atmosfär och pris med flera namngivna entiteter från en betrodd recensent, skapar den en högkonfidens, flerdimensionell datapunkt. Dessa recensioner har ett oproportionerligt stort inflytande på aspektpoängen i förhållande till deras antal. En 200-ordsrecension från en Nivå 6 Local Guide kan bidra mer till aspektsignalen än fem 15-ords generiska recensioner.

Viktiga frågor om hur Googles NLP-sentimentanalys läser recensionstext och vad företagare kan göra åt det.