伴随着互联网的飞速发展，网络购物成为了消费者最受欢迎的购物方式，为了增加顾客对产品或者服务感知，很多电商平台都开辟了评论区域，在线评论成为了消费者购买决策的重要参考，对销售有着重要的影响。用户在线评论行为是用户购买产品之后行为的一种，很少有学者从用户在线评论行为的角度研究在线评论。目前对评论演化的研究大部分集中在评论情感分值的动态性，且都是偏实证性研究。很少有研究者对评论的多个特征随着时间变化的动态性进行研究。在这样的背景下，本文从用户在线评论行为的角度出发，研究了用户在线评论行为模式，构建了用户在线评论行为的隐马尔科夫演化模型，最后根据行为演化模型，进行销售趋势分类。
　　首先从用户行为的角度，研究了用户在线评论行为。参考了网络群体行为研究，对用户在线评论行为进行了定义，认为用户在线评论行为是顾客购买产品之后发表评论所表现出的一种群体行为。之后对用户在线评论行为特征进行提取研究，根据网站所呈现的内容对用户在线评论行为特征进行初步的提取，最后使用QCA方法从销售的角度对用户在线评论行为特征进行了筛选。
　　其次，对用户在线评论行为模式进行表达。用户在线评论行为模式是用户在线评论行为特征的组合。传统用户行为模式表达是二元对应关系，即从用户在线评论行为特征中抽取用户行为模式。为了对不同产品用户在线评论行为模式进行对比，本文引入了基本用户在线评论行为模式单元的概念，提出了使用三元对应关系表达用户在线评论行为模式。
　　同时，构建了用户在线评论行为演化模型。以整合性技术接受与使用模型为蓝图研究了用户在线评论行为的影响因素，得到先前的用户评论行为会对后续评论行为产生影响，用户在线评论行为模式的演化是符合马尔科夫性；用户在线评论行为模式可以通过用户在线评论特征反映，所以本文构建了用户在线评论行为演化的隐马尔科夫模型，在该模型中，确定的隐含状态是基本用户在线评论行为模式单元，观测状态是用户在线评论行为特征，而状态序列对应的是用户在线评论行为模式序列。
　　最后，对构建的用户在线评论行为演化的隐马尔科夫模型进行求解。先对用户在线评论行为特征的量化，本文提出了一种基本产品特征提取的情感分值计算方法，能够提高评论信息的覆盖率，其次对用户在线评论主题的相似度进行了计算；其次本文基于高斯混合分布多观测序列使用Baum-Welch方法估计隐马尔科夫模型参数，进一步使用维特比算法预测用户在线评论行为演化序列。通过实验数据分析，证明了构建的用户在线评论行为演化模型的有效性，最后根据构建用户在在线评论行为演化模型使用KNN算法销售趋势进行了分类，该模型能够较早期对销售趋势进行预测。