随着网络购物在生活中的普及,产品评论在用户购买过程中扮演着越来越重要的角色。对于评论的研究一直是研讨的热点领域,以往的研究从数量、评分、文本等维度分析了评论在购买决策中起到的作用,探讨评论的可信性,或者将评论作为影响因素挖掘其对品牌的影响,也有学者从用户行为理论出发探讨了消费者采纳评论的原因以及发布评论的动机,但是很少人从宏观角度研究评论的扩散问题。评论反映了消费者对产品的关注度和忠诚度,通过了解评论的扩散规律,商家或者购物平台可以更了解用户评论的趋势和走向,制定战略优化商品的评论机制,增加消费者对商品的了解。我们借鉴创新扩散理论的思想,基于购物平台上306个在售商品的评论数据,应用符号回归方法,从宏观角度为购物平台上产品评论的扩散提供了解析模型。该方法是一种基于进化计算的遗传编程算法的应用,可以自动发现数据中潜在的模型,在探索新领域潜在规律的研究中有广泛的应用。我们首先探讨了线上评论扩散的解析模型。进一步,将产品划分为高参与度产品和低参与度产品,分别探讨了两类产品评论扩散规律的异同,最终有如下几点发现:(1)购物平台上评论的扩散呈现多种形式,符号回归方法将这些扩散模式以解析模型的形式表达了出来。如多项式模型y=a+bx+cx~3-dx~2可以以较高的准确性和通用性解释评论扩散现象。(2)符号回归方法生成的购物平台上评论扩散的候选模型中出现了经典的创新扩散模型,包括Bass模型,Fisher模型和Floyd模型,其中Bass模型是所有候选模型中通用性第二好的,Fisher模型是准确性和通用性均高于平均水平的三个模型之一。经典的创新扩散理论也可以部分解释评论的扩散现象。(3)高参与度产品评论的扩散模型比低参与度产品多4种,二者相同形式的模型对低参与度产品评论的扩散具有更强的解释能力,适用的产品范围更广。高参与度产品评论的扩散呈现更多样的形式,如果用一类模型概述其扩散规律,损失的信息比低参与度产品多。(4)阐述高低参与度产品评论扩散的最好模型都是Fisher模型,高参与度产品评论达到峰值的速度更快。综合我们的试验结果能够发现,符号回归方法为描述购物平台评论的扩散规律提供了解析模型,并且发现了经典的创新扩散模型可以部分解释扩散现象。本文进一步研究了不同参与度产品评论扩散规律的差异。