在線用戶評論行為時效特征影響因素實證研究

張艷豐 李賀 彭麗徽等

摘要：[目的/意義]針對我國在線用戶評論習慣，探索用戶評論行為對評論時間的影響作用因素，對電子商務運營商探究用戶評論行為規律及探索潛在用戶評論時間偏好具有重要的潛在商業價值。[方法/過程]基于TAM模型抽取在線用戶評論行為時間特征規律研究的影響因素并構建模型，通過抽取消費者購買行為和評論行為的時間間隔為時間序列，通過多元線性回歸模型進行假設驗證。[結果/結論]通過對在線評論數據的實例驗證，本文所構模型能夠很好地發現在線用戶評論行為對評論時間的影響作用關系，對消費者評論行為的時間特征規律發現和預測具有輔助作用。

關鍵詞：TAM模型；用戶；在線評論；評論行為；時間特征；影響因素

DOl：10.3969/j.issn.1008-0821.2019.01.008

[中圖分類號]G252.0；G202 [文獻標識碼]A [文章編號]1008-0821（2019）01-0060-10

在線用戶評論是在線消費用戶在電子商務平臺上發表的對產品或服務的使用體驗和質量評估。第三方平臺不僅提供電商企業整體評價端口，同時用戶在電商平臺進行購買和評論行為的同時，電商平臺也記錄了消費者的行為時間軌跡，通過時間記錄的在線用戶評論為潛在消費者提供了真實購買和使用信息來源，不同時間內評論內容關注的重點各不相同，電子商務用戶作為經濟人，其在線評論的時間特征必然折射出其內在特質，不同評論行為特征表現的消費者通常具有不同的時間行為習慣，通過時間記錄的用戶特征規律分析，能夠為企業、平臺和廠商提供不同時間段的商品購買、評論信息規律，同時也是用戶行為分析和商品推薦的重要渠道。

目前通過量化方法針對在線評論時間維度的研究還很少。Jin L等通過實驗研究發現消費者偏好受在線用戶評論發布時間點的影響，近期評論對及時購買力決策更有吸引力，而長期評論對用戶的遠期購買決策更具影響力；Tirunillai S等綜合多家公司和市場的產品評論數據，使用無監督LDA來抽取與消費者滿意相關的關鍵潛在維度，通過動力學分析跟蹤這些維度重要性隨著時間的變化。在國內，龔艷萍等等基于水平理論的實證研究得出結論，當新產品預告與發布時間較長時，用戶常發表針對產品核心屬性的評論，而間隔較短時，則發表針對產品次要屬性的評論；汪濤等基于歸因理論，通過探索了購買時間與評論時間的時間間隔如何影響用戶對體驗型及物質型商品的感知有用性；胡常春等通過實驗驗證了追評的有用性感知顯著高于初評，但追評的有用性感知受時間間隔和產品類型調節。

大數據環境下，如何針對我國在線用戶評論習慣，探索用戶行為的時間規律及影響評論時間的影響因素具有一定的理論創新性，對電子商務運營商探究用戶評論行為規律及探索潛在用戶評論時間偏好具有重要的實踐意義。

1理論基礎

本研究以美國學者Davis提出并應用于信息系統領域的技術接受模型（TAM）為理論框架，TAM是在理性行為理論（Theory of Reasoned Ac-tion，TRA）和計劃行為理論（Theory of Planned Behavior，TPB）基礎上發展而來的，國內外諸多學者將技術接受模型（TAM）作為在線評論分析的理論模型框架，Hsu C L等、Lee G等以及尹英姿、晏芳都基于TAM模型進行了在線用戶評論的相關研究，證明TAM的應用不僅局限于信息系統領域，同時在市場營銷、用戶行為研究等領域也同樣具有很好的解釋效果。模型要素關系

消費者對在線評論的接受和采納程度是在線用戶購買意向與購買行為的主要前因，而在線用戶評論有用性感知、在線用戶評論情感感知和其他外在因素直接影響消費者是否接受評論意見。基于此，在線用戶評論行為的時間特征可以通過技術接受模型的因素來度量。提取TAM模型的感知有用性、使用態度和外部因素感知3個因子變量作為評論時間特征的影響因子。其中，外部因素通過會員等級、星級評價、點贊數量和語義深度4個方面內容展現，這4個方面是影響用戶購買意向的重要因素，是評論閱讀者能夠直接量化的特征因子；在線評論的感知有用性因素以用戶綜合評價后的評論質量表示；評論的使用態度因素反映用戶的使用情感，在評論文本中以情感詞進行表述。外部因素、感知有用性和使用態度這3個因素是技術接受模型的重要因素，同時也是用戶使用行為的直接或間接前因要素。

2在線用戶評論行為時間特征影響因素模型

本研究基于TAM模型抽取在線用戶評論行為時間特征規律研究的影響因素，通過抽取消費者購買行為和評論行為的時間間隔為新的時間序列，時間間隔越短時效性越強，時間間隔越長時效性越弱，評論的時效性反映了用戶購買、評論行為的時間規律，通過對評論文本內容的挖掘，探求評論時間與評論行為內容之間的隱性規律發現。

2.1外部因素

本研究將評論閱讀者能夠直接量化的特征稱之為外部因素，參考前人研究成果與在線用戶評論特征，從會員等級、星級評價、點贊數量和語義深度4個方面內容進行闡述。

1）會員等級。會員等級直觀反映了在線用戶網絡購物經驗，對于評論閱讀者，在對評論進行決策篩選時，往往更傾向于信任等級高的用戶評論內容，因此，高會員等級的用戶在評論中的“引導作用”較為明顯，通常起到“意見領袖”的作用。

2）星級評價。多數電子商務網站都開通了星級評價入口，消費者可以對購買體驗進行1～5分的評分，星級越高，表示此次購物過程的滿意度越高，通過對星級評分的統計、查閱，可以直觀看出商鋪消費者滿意度的等級比率，星級評價是影響企業網絡口碑的重要參考標準之一。

3）點贊數量。在線評論有用性投票（點贊數量）是指評論能夠獲得其他瀏覽用戶的認可程度。很多網站會以點贊或投票的方式進行有用性評價，瀏覽評論用戶一般通過投票、點贊的形式對有用信息進行評價，也可以進行在線回復，圍繞此評論信息進行在線互動。一般來說，有用性投票數越高的評論對產品的描述更貼近用戶實際使用情況，真實性和有用性越強。

4）語義深度。Mudambi S M等的研究發現，評論的字數對于評論的有用性影響是正相關的。評論字數越多，評論長度越長，其中對商品及其服務的描述可能就越詳細，這種詳細的描述對于其他消費者而言，能夠在很大程度上減少購買決策時的不確定性，從而增加評論的效用。

2.2評論有用性

在線用戶評論內容可以長期積累并存儲在電子商務平臺，為消費者提供海量有用信息源，但是由于網絡的匿名性和用戶評價成本等因素的影響，并非所有的評論都具有參考價值，有些評論者會不負責任的隨意書寫評論內容，從而生成大量無用評論和虛假評論充斥其中，使得在線用戶評論質量良莠不齊，產生信息過載的壓力，大大增加了有用信息的搜索成本，干擾了用戶對商品評價的判斷，降低決策效率和誤導決策判斷。基于信息經濟學理論，信息和不確定性關系緊密，有用性高的在線評論內容就是為了及時、有效地消除消費者的不確定性，減少購買決策風險，提高消費者的決策效率和決策效果，這構成了評論有用性影響因素模型的邏輯起點。

2.3評論情感態度

消費者在進行商品評論闡述時會根據消費感知和使用體驗來進行客觀評價，在評論內容中往往會使用諸如“不錯”、“喜歡”、“一般”等情感詞體現消費者的情感傾向，情感詞匯前經常通過“很”、“非常”、“特別”等修飾詞來修飾情感強度，表示疑問或感嘆情感時會通過“？”和“！”等標點符號進行語氣加強，當評論內容中出現較多情感詞匯時，證明評論情感比較豐富，能夠為消費者提供較多有價值的參考信息，當評論內容具有較多正面情感詞匯時，能夠促使消費者做出購買行為，而當評論內容具有較多的負面情感詞匯時，將使消費者放棄購買選擇，因此，情感修飾詞和情感詞匯能夠有效增強評論效用，有效增強消費者的購買決策輔助。

3在線用戶評論時間特征影響因素模型構建

3.1外部因素對評論時間的影響

在線評論網站采用各種激勵手段來鼓勵消費者發布評論，優質、有效評論可以得到相應的積分獎勵，因此，大部分會員等級高的用戶是通過積極、迅速發布評論來提升會員等級的目的，會員等級高的用戶也在日常的電子商務活動中形成了主動、及時發布評論的習慣，會員等級顯示了用戶參與評論的積極性，對在線用戶評論的時效性產生積極的影響，即高等級會員用戶發布評論時間間隔較小，低等級會員用戶發布評論時間間隔較長。因此本文假設：

H1a：會員等級正向影響在線用戶評論的時效性。

星級評價代表用戶的情感極性，諸多消費用戶通常不寫評論內容，而直接給星級評價來代表用戶情感，因此電商企業十分關注用戶對星級評價的鼓勵，會以各種方式鼓勵消費者及時對產品和服務做出評價，并且對五星好評的用戶采取一定的激勵措施，一般會對及時給五星好評用戶給予返現和優惠鼓勵，諸多消費者也會在收到貨物的同時習慣給五星好評。因此本文假設：

H1b：星級評價等級正向影響在線用戶評論的時效性。

點贊數量是經過一定的時間積累而成的大多消費者認同的有用評論，點贊數量越多，對于購買后及時給出客觀評價評論者的觀點支持，從時間維度上，及時的評論才是有價值的，否則長時間未評論的購買評論失去了參考的時效性，對其它用戶購買決策的參考意義將減少，因此本文假設：

H1c：點贊數量正向影響在線用戶評論的時效性。

語義深度是在線評論字數，評論用戶根據購買的服務體驗和使用經歷來闡述評論內容，一般經過一段時間的使用后的使用經歷和經驗評論的描述越詳細，會闡述詳細的使用感受，優點和缺點的詳細說明都是需要使用時間的積累，短時間內很難有具體詳細的使用感知，因此本文假設：

H1d：語義深度正向影響在線用戶評論的時效性。

3.2評論有用性對評論時間的影響

發布一條對消費者有用性強的“富信息評論”內容需要從購買、使用、服務、售后等各階段的時間積累，因此，如果一條有用性高的評論內容最好包含所有商品的相關內容，那么評論生產者會通過一定時間的使用情況來進行評論行為，以幫助其他消費者進行鼓勵消費推薦或避免錯誤購買決策，不論是鼓勵購買還是謹慎提醒，都要進行一定時間的使用經驗積累。因此我們做出如下假設：

H2：評論質量負向影響在線用戶評論的時效性。

3.3評論情感強度對評論時間的影響

消費者的情感極性可分為正面情緒和負面情緒，消費者在網絡平臺分享觀點和經驗時，會通過不同的情感詞和情感修飾詞來描述產品特征的情感態度，當用戶對產品的滿意度高時，評論內容多為正向情感；當消費者對產品或服務不滿意時，評論內容會呈現針對不同產品特征的負面情感。在線評論的正面情感和負面情感在評論時間上具有一定的差異性，一般負向情感是消費者難以忍受的并且急于進行評論分享，以宣泄情緒和提醒購買，因此，我們提出如下假設：

H3：評論情感強度正向影響在線用戶評論的時效性。

3.4概念模型

基于以上分析，本文基于TAM理論框架提取指標要素，以在線評論外部因素、感知有用和使用態度3個指標作為自變量因素，以評論時間序列為因變量，構建在線評論時效性影響因素模型如圖2所示：

4在線用戶評論時間特征影響因素實證分析

4.1樣本選擇與數據獲取

本研究選擇京東商城（www.jd.com）手機類典型商品的在線評論文本為數據源，通過Python語言編程爬取對應字段進行存儲。在平臺選擇上，京東商城是我國著名的B2C電子商務平臺，用戶購買力穩定在20%以上，具有一定的用戶群體以及代表性數據，在商品選擇上，本文選擇在統計中商品銷售前4的商品類型進行分析，具有商品上的代表性，對爬取的評論內容進行初級的清洗和去重后，抽取7083條評論進行分析，京東商城在線評論抓取頁面與字段示例如圖3所示：

該頁面展示了豐富的評論屬性，包括用戶ID、購買時間、評論時間，追評時間、評論文本、點贊數量、評論數字評分和會員等級等內容。

4.2相關變量說明及測定

根據圖2中的在線評論時間特征影響因素模型，結合圖3爬取的評論屬性，將評論集合表示為C，對于評論集中的第i個評論表示為：C_{i∈c，（i=1，2…，|c|）}，各變量測定指標如表1所示：

在上述變量中，評論時間、會員等級、星級評價、點贊數量、語義深度和評論情感都能從在線用戶評論內容中直接量化獲取，而評論質量是復雜的用戶綜合評價感知，需要借助一系列綜合評價算法和文本挖掘方法獲得。

4.3數據描述性統計

通過對各指標屬性的量化統計，各指標要素字段的基本描述如表2所示：

表2中給出個會各屬性指標的基本數據統計信息，下面對各個屬性的分布情況進行統計介紹和可視化分析。

4.3.1“購買—評論”時間間隔

“購買—評論”時間間隔序列C_i（PR）時模型中的因變量，針對每一條評論進行時間計算，“購買—評論”時間間隔C_i（PR）的計算公式為：C_i（PR）=C_i（RT）-C_i（PT），根據爬取的內容確定時間天數范圍，以天數為時間單位，“購買—評論”時間間隔分布情況如圖4所示：

可以看出大多消費者習慣在20天內完成評論行為，超過40天進行評論的比率相對較少。

4.3.2會員等級

根據京東的會員等級統計分布情況，統計方法為將會員等級從小到大排序分為7個等級，分別為1等級用戶為注冊會員和鐵牌會員，因為這兩類數量均較少，所以將其合并處理；2等級用戶為銅牌會員；3等級用戶為銀牌會員；4等級用戶為金牌會員；5等級用戶為鉆石會員；6等級用戶為PLUS會員；7等級用戶為企業會員，圖5給出了數據集中各個等級的用戶分布情況。

可以看出中間等級3、4、5、6級別的會員比例最多，而極高和極低的用戶比率相對較少。

4.3.3星級評價

星級評價的統計方式按爬取評論中用戶對產品的星級評分進行統計，星級評價在一定程度上也代表用戶的情感傾向，其中1星和2星代表負面情感，3分代表中性情感，4星和5星代表正向情感，星級越高，滿意度越高，因此根據星級評價的5個標準，確定星級評價的分布情況如圖6所示：

可以看出整體上星級評價的5星評價數量比率較高，2星、3星較少，呈現出典型的J型分布，這與Hu N等學者的研究結論具有一致性。

4.3.4點贊數量

在線評論點贊數量是指評論能夠獲得其他瀏覽用戶的認可程度。很多網站會以點贊或投票的方式進行有用性評價，瀏覽評論用戶一般通過點贊的形式對有用信息進行評價，也可以進行在線回復，圍繞此評論信息進行在線互動。一般來說，有用性投票數越高的評論對產品的描述更貼近用戶實際使用情況，真實性和有用性越強，評論點贊數量分布情況如圖7所示：

4.3.5語義深度

在線用戶評論語義深度是指在線評論對有用性內容屬性描述地詳細程度。一般認為較長評論對產品和服務的描述比較細致，通常包含更為全面、詳細的信息內容。通過統計每條評論的字數，字數越高其語義深度越高，將各條評論字數統計排序后如圖8所示：

4.3.6評論質量

在線評論有用性是在線評論對網購消費者的購買決策是否有幫助的一種主觀感知，能夠在購買決策過程中為用戶提供有效的商品認知，減少不確定性，為用戶的購買決策提供幫助，參考文獻對在線評論質量的計算方法，對在線評論有用性進行評估后的分布情況如圖9所示：

4.3.7評論情感

情感表達強度是評論中用戶所表達的情感顯性程度。評論者在發表評論時，不同的情感傾向評論所使用的情感表達強度是不同的，因此可以通過情感詞的情感強度來表征情感表達強度。另外也可以各種通過特殊關鍵詞（如“啊”、“呢”、“唉”等），或特殊符號（如異化的標點符號、表情符號等）和特殊句式（如反問句、疑問句、感嘆句等）來量化。情感表達強度越大，評論價值越高，情感頻次統計如圖10所示：

4.4在線用戶評論時間特征影響分析的結果

4.4.1數學模型構建

本文采用線性回歸分析方法對評論時間序列影響因素進行建模分析，線性回歸是基于因變量y和x自變量的線性函數關系，如公式（1）所示：

根據回歸方程的擬合曲線可以得到在線評論時間序列時間變化影響因子和預測未來發展態勢，并且線性回歸方法建模步驟簡單，計算量小，能夠清晰地表明規則的整體走勢。在圖2的模型框架基礎之上，使用數據建模回歸分析的方法來分析在線評論行為對評論時間的影響因素。在進行回歸分析前需進行相關性分析，根據評論屬性指標的數據特點，大部分評論數據是結構化數據范圍，例如星級評分是1～5，會員等級變量是1～7，因此本文采用線性回歸方法進行模型構建，從“購買—評論”時間間隔序列構建的回歸模型如下所示：

4.4.2變量間相關性分析

為了預防出現多重共線性，首先通過相關性分析來驗證變量之間的關系，采用Pearson相關系數進行相關性檢驗，檢驗標準為：若顯著性檢驗概率值P小于0.05則變量顯著相關，P值為正表示因素正相關，P值為負表示因素負相關；若P值大于0.05則表示變量間沒有顯著相關性。將本文各指標數據購買評論時間間隔C_i（RT）、會員等級C_i（艦）、星級評級C_i（RA）、點贊數量C_i（SC）、語義深度C_i（咂）、評論質量C_i（QU）、評論情感C_i（SE）導入R語言，由于時間間隔C_i（RT）、語義深度C_i（TE）、評論情感C_i（SE）是計數數據，變量的分布狀況呈現出偏態分布，因此對這3個變量進行了對數變換的平滑處理，使其服務正態分布適用于線性回歸分析，為了避免在對數計算中出現0的狀況，本文使用log（RT+1）來替代RT，使用log（TE+1）來代替TE，使用log（SE+1）來替代SE。使用R語言中的Pairs函數顯示變量間的相關變量多面板散點矩陣，如圖11所示：各指標間相關分析結果數字化顯示和相關性如表3所示：

從樣本因素相關性實驗數據分析結果看出，大多變量都是彼此顯著相關的（p<0.05）。但除變量Time外，變量相關系數均較小，最大相關系數是0.523（Useful和Members的相關系數），其他不同獨立變量之間的相關系數小于O.4（相關系數排序第二大的值是Useful和Emotion之間的相關系數值為0.35）。以Time為衡量標準，除Word外，其他因素與Time的相關性均顯著相關，Star、Mem-bers、Emotion、Praise、Useful對Time的相關系數分另0為-0.128**、0.312**、0.560**、-0.029*、0.399**，Word對Time的相關系數較小，為0.01，顯著性概率p>0.05，相關性不明顯。綜上，Star、Praise對Time有顯著負向影響，Members、Emo-tion、Useful對Time有顯著正向影響，其他相關變量間相關系數極小，相關性不明顯，同時自變量間不存在多元線性關系。

4.4.3回歸分析結果

通過多元線性回歸模型分析，使用SPSS軟件輔助，在線用戶評論時間特征影響因素計量模型的回歸分析結果如表4所示：

模型容差值大于0.6，且VIF均小于2，說明變量間無多元共線問題。同時，DW為1.634，自變量沒有顯著相關性，各自變量及截距的顯著性均小于0.05。因此，回歸方程、截距及回歸系數具有統計學意義。這些變量R²值為0.373，在37%左右的程度上解釋了評論的時效性。顯著性方面，Praise（p=0.059）與Words（p=0.639）顯著性p值大于0.05，Star（p=0.000）、Members（p=0.000）、Emotion（P=0.000）、Useful（p=0.000）顯著性p值均小于0.001，模型中從評論中抽取的特征變量都對log（TI+1）有著顯著意義的影響。最終確定的標準化方程如下：

綜合表4及公式（5）可以看出：

1）會員等級與時間間隔序列的相關系數為0.148，顯著性為0.000，呈現出一定的正相關作用，表明不同等級會員用戶，隨著等級的升高，發布評論的時間越快，等級越高的用戶評論及時性越高。其中可能的解釋為：具有較高會員等級的消費者對網購和評論行為具有一定經驗積累的用戶，由于電商平臺對積極評論的激勵，會員等級高的用戶經常進行網購和在線評論行為，形成了一定的及時評論習慣，而具有較低會員等級的消費者可能屬于偶發網購行為，對評論的積極性也不高，除非電商特別提醒或者在使用過程中具有較強的情感波動，才會進行偶發評論行為，因此低會員等級會員評論的及時性較差。因此，假設H1a得到支持。

2）星級評價與時間間隔序列的相關系數為-0.081，顯著性為0.000，呈現出弱的負相關作用，表明星級評價越低，評論的時效性越高，即一星或二星的差評評論的“購買—評論”時間間隔較短，因為一星評論用戶通常對質量、服務或物流不滿意的情緒較大，一般會及時地做出評論行為。而電商一般會鼓勵用戶及時給予好評進行返現和其他方式進行激勵，對于部分消費者起到一定的激勵作用，但是從本研究數據來看，依舊有大量消費者對這種激勵持謹慎態度，五星好評評論數量明顯多于其他星級評論數量，較于其他星級數量，五星好評的時間分布也趨于分散，因此相關系數為-0.081，相關性較小，其他星級呈現出較明顯的負相關性，因此，本文檢驗結果與H1b假設相反。

3）點贊數量與時間間隔序列的相關系數為-0.029，顯著性p<0.05，具有微弱負相關作用，即點贊數量多的評論一般是相對時間間隔較短，但在回歸分析中，Praise的顯著性為0.059（p>0.05），因此點贊數量與時間間隔序列的相關性模型構建不成立。可能的解釋為存在大量點贊量的少數評論影響“購買—評論”時間間隔的相關關系。而大量評論則是沒有點贊量的用戶評論，因此很難用數理模型量化兩者間的相關關系.而且同時也說明僅以點贊量來衡量在線評論有用性的方法是有很大局限的，大數據環境下，存在大量被埋沒的非常有用的零點贊用戶評論，所以，點贊數量對時間間隔序列的影響作用不能用模型量化，因此，假設H1c被拒絕。

4）語義深度與時間間隔序列的相關系數為0.01，顯著性p>0.05，相關性較弱，并且在回歸分析中，顯著性為0.639（p>0.05），因此語義深度與時間間隔序列的相關性模型構建不成立。可能的解釋為本文以評論字數來量化語義深度，而各個用戶的評論行為存在差異性，各個時間內的用戶評論字數不存在線性相關關系，同時，存在大量短文本評論，對評論時效性的相關關系產生相關性影響，這與點贊數量對時效性的影響作用相同，都存在大量相同因素對其他少量因素的影響作用，因此，語義深度對評論時效性的影響作用不明顯，相關性也較弱，假設H1d被拒絕。

5）評論質量與時間間隔序列的相關系數為-0.399，顯著性為0.000，具有較強的負相關作用，表明評論質量高的評論一般的時效性較弱。即在購買后較長時間發表評論有用性較高。可能的解釋為購買后很短時的評論一般為商品外觀、服務與物流等方面消費者比較關注的內容，在購買后第一時間發出的評論用戶沖動評論情緒較高；而購買后長時間評論的內容對使用感知和售后服務有更清晰地認知，從而使優質評論內容大多時效性較弱。因此，假設H2得到支持。

6）情感強度與時間間隔序列的相關系數為0.654，顯著性為0.000，具有較強的正相關作用，表明情感強度越強，越趨于在購買后很短時間內發表評論。可能的解釋為：用戶對產品和服務具有較高的正向或負向情感時，通常傾向于及時做出文本評論表達滿意或差評情感。尤其是消費者對所購產品和服務有不滿意的負向情感時，大多消費者都會通過及時進行評論的方式進行情感傾訴和文字表述，一方面用來傾訴使用和購買感受，表達內心的不滿；另一方面警示潛在消費者的謹慎購買。評論情感的表達通過對購買經歷的描述和產品的介紹，使潛在消費者更加了解商品特征和使用感受，因此，假設H3得到支持。

綜合以上假設驗證結果，表5給出了本文所有檢驗假設的最終結果。假設H1a、H2、H3得到支持；H1b與原假設相反；假設H1c、H1d被拒絕。

5結論

本研究基于TAM理論提出在線用戶評論時間特征影響因素，提出從外部因素、有用性因素和情感因素構建在線用戶評論行為對評論時效性影響因素模型的研究思想，以京東商城手機評論為數據源進行統計分析與模型驗證，為深入開展在線用戶評論行為時間特征規律的研究提供了新的理論視角。通過回歸分析方法對提出的理論影響因子進行回歸模型構建，使用SPSS和R軟件對變量間相關性進行分析、可視化處理以及多元線性回歸模型影響因素分析檢驗，構建標準化回歸方程模型。

根據回歸模型驗證結果分析，得出以下結論：①等級越高的用戶評論及時性越高，用戶等級對評論的時效性存在正向影響；②星級評價越低，評論的及時性越高，星級評價對評論的時效性存在負向影響；③點贊數量對在線用戶評論的時效性的影響作用不顯著；④語義深度對在線用戶評論的時效性的影響作用不顯著；⑤評論質量負向影響在線用戶評論的時效性；⑥情感強度越強，越趨于在短時間內發表評論，情感強度對評論的時效性存在正向影響。

挖掘在線用戶評論時間特征的影響因素，對于消費者有助于挖掘用戶評論規律，根據其他用戶的消費體驗來消除或減少商品的不確定性。對于企業能夠有效分析時間序列階段的網絡口碑傳播效應，有助于提高企業的商品競爭力和服務能力，為生產廠商和電商企業的產品和服務提供參考建議。